1. 课程导入与全景认知
风电和光伏的出力由天气决定，而电力系统要求发电与用电在每一秒保持平衡。这个根本差异，使新能源功率预测与调度协同成为高比例新能源电力系统中最关键的技术链条之一。本课程要回答的核心问题是：如何把"明天风有多大、云有多厚"这类气象信息，转化为调度可以信赖的功率曲线，并让这条曲线真正参与电网的发电计划、备用安排与实时调节。
一、什么是新能源功率预测
新能源功率预测，是指以数值天气预报（NWP）为基础，结合风电场或光伏电站的实测气象、机组状态和历史出力数据，推算未来一段时间内场站或区域的新能源输出功率。按时间尺度划分，通常包括：
- 超短期预测：未来0～4小时，时间分辨率5～15分钟，主要服务于实时调度和自动发电控制（AGC）；
- 短期预测：未来0～72小时，时间分辨率15分钟至1小时，主要服务于日前发电计划和日内滚动修正；
- 中长期预测：未来数天至数月，用于检修安排、电量交易和月度平衡。
预测的对象可以是单场站，也可以是区域（如某省级电网全部风电）。单场站预测关注机组级和场站级出力，区域预测则需要在场站预测基础上做空间聚合，并考虑不同场站之间的出力相关性——这一点在风电中尤其重要，因为同一天气系统可能同时影响多个风电场。
二、什么是调度协同
调度协同不是"预测完之后调度看一眼"，而是预测与调度决策之间的双向闭环。预测为调度提供未来出力的期望值与不确定性范围；调度则把预测结果嵌入机组组合、经济调度、备用容量配置和实时调频等环节，并把实际运行偏差反馈给预测系统，用于修正模型。协同的关键在于：调度必须知道预测的不确定度，而不只是一个点值。例如，某风电场短期预测出力为200 MW，若预测误差标准差为30 MW，则调度在安排备用时需要考虑这一波动范围，而不是简单按200 MW安排。
核心矛盾：新能源"靠天吃饭"的波动性与电力系统"即发即用、实时平衡"的刚性要求之间的冲突。预测精度越高、不确定性刻画越准，调度可用的信息就越充分，系统所需的备用成本就越低；反之，预测偏差大，调度只能靠增加旋转备用和调频资源来兜底，经济性和安全性都会受损。
三、价值闭环：从气象到调度再到反馈
把上述关系串起来，就形成一条完整的价值闭环：气象数据 → 功率预测 → 调度计划 → 实时运行 → 偏差统计 → 模型修正 → 更准的预测。这个闭环中任何一环断裂，整体价值都会下降。例如，预测系统若只输出点值而不输出置信区间，调度就无法量化风险；调度若不做偏差统计反馈，预测模型就失去了最直接的改进依据。
四、课程地图与学习目标
本课程共30章，围绕"预测—协同—评估"三条主线展开。前段建立基础认知：新能源出力特性、预测误差评价指标、气象数据来源与处理；中段进入方法层：物理方法、统计方法、机器学习与深度学习方法，以及超短期、短期、中长期不同尺度的建模要点；后段聚焦协同应用：预测结果如何接入调度自动化系统、如何参与日前计划和实时调度、如何配置备用与储能、如何做误差考核与闭环改进。
学习目标可以概括为三点：
- 能说清：理解功率预测的基本原理、误差来源和评价指标，能判断一个预测系统输出是否可用；
- 能算准：掌握典型预测模型的输入输出关系，能根据场站数据条件选择合适的方法并评估效果；
- 能协同：理解预测不确定性如何传递到调度决策，能设计或读懂预测与调度之间的数据接口和反馈机制。
学习建议：本课程涉及气象、电力系统、数据科学三个领域的交叉。建议在学习过程中始终抓住一条主线——"预测结果最终要变成调度能用的决策依据"。每学一个方法，都问自己：它的输出是什么形式？误差有多大？调度拿到之后会怎么用？这样就不会陷入纯算法细节而失去工程视角。
五、一个直观的示例
假设某50 MW光伏电站，某日短期预测正午出力为38 MW，预测置信区间为±6 MW。调度在日前计划中安排该电站正午出力38 MW，同时预留4 MW旋转备用以覆盖预测偏差。实际运行中，若正午实际出力为33 MW，则偏差为-5 MW，在置信区间内，备用可以覆盖；若实际出力为28 MW，偏差-10 MW超出区间，则需要调用更多备用或调整其他机组。这个简单例子说明：预测的价值不仅在于"猜得准"，更在于"说清楚有多不准"，调度才能据此做出合理的备用安排。