2. 新能源出力特性与预测需求

新能源功率预测之所以成为调度协同的前置环节，根本原因在于风电和光伏的出力不是“可调”的，而是“被天气决定”的。理解波动性、间歇性和随机性这三个特性，是判断预测需求从哪里来、误差会怎样传导到调度、以及不同场景该用哪种协同方式的基础。

一、波动性、间歇性与随机性的区别

这三个词常被混用，但在预测与调度语境下指向不同的物理来源和不同的应对手段。

• 波动性：出力在时间轴上连续起伏，表现为功率爬坡、下降和短时抖动。风电受风速变化和湍流影响，分钟级到小时级都可能出现明显爬坡；光伏受云团遮挡影响，秒级到分钟级可发生大幅跌落。波动性关注的是“变化有多快、幅度有多大”。
• 间歇性：出力存在“有”和“无”的切换。光伏在夜间出力为零，风电在静风或切出风速以上时出力为零。间歇性关注的是“是否可用、可用时段有多长”。
• 随机性：未来某一时刻的出力无法被确定性复现，只能用概率分布描述。随机性关注的是“预测值本身带有多大的不确定区间”。

三者的关系可以这样理解：波动性决定预测的时间分辨率要求，间歇性决定备用和储能的需求，随机性决定预测误差带和调度风险边界。预测系统要同时回答三个问题——下一时刻变化多快、未来是否可用、可用时大概是多少。

二、从出力特性到预测需求

以一座装机 100 MW 的陆上风电场为例（以下为教学示例参数，非实测数据）：额定风速约 12 m/s，切入风速 3 m/s，切出风速 25 m/s。当风速从 8 m/s 升到 11 m/s 时，出力可能从约 45 MW 升到约 85 MW，15 分钟内爬坡约 40 MW，折合爬坡率约 2.7 MW/min。若调度计划按 60 MW 安排，实际出力偏差可达 ±25 MW。这就是波动性对预测最直接的要求：预测必须给出未来 15 分钟、1 小时、4 小时等不同时间尺度的功率曲线，而不是一个单点值。

光伏的典型日曲线更规整，但云遮挡会造成“锯齿”。以 50 MW 光伏电站为例（教学示例），晴天正午出力约 40 MW，一块云团经过可能使出力在 2 分钟内跌到 15 MW，再在 3 分钟后恢复到 38 MW。这种短时跌落对调频和备用容量提出很高要求，也要求预测系统具备分钟级更新能力。

因此，预测需求可以归纳为三条：时间分辨率（分钟级、15 分钟级、小时级）、预测 horizon（超短期 0–4 h、短期 1–3 天、中期 3–7 天）、不确定区间（点预测之外的置信区间或分位数）。只给点预测、不给误差带，调度无法判断风险。

三、预测误差如何传导到调度

预测误差不是“预测不准”这么简单，它会沿着调度链条逐级放大。下面这张图展示的是误差从预测环节到调度执行环节的传导路径与关键影响点。

从图中可以看到，误差传导不是单线的，而是从多个来源汇聚成预测误差，再分别作用于日前、日内、实时和执行结算四个环节。实际运行中，最值得关注的判断依据是：预测误差带是否覆盖了实际出力曲线。如果实际出力频繁落在 90% 置信区间之外，说明预测模型需要重新训练或输入数据需要修正；如果落在区间内但备用仍被大量调用，说明调度策略对误差的利用效率不够。

四、协同场景分类

不同时间尺度、不同误差水平、不同资源条件下，协同方式不同。可以按“预测 horizon + 调度目标 + 可用资源”三个维度划分协同场景。

以日内滚动协同为例（教学示例）：某区域风电装机 300 MW、光伏 200 MW、储能 50 MW/100 MWh。超短期预测显示未来 2 小时风电出力将从 180 MW 降到 120 MW，光伏从 80 MW 升到 140 MW，净出力变化约 -20 MW。调度可以在滚动计划中安排储能放电 20 MW 持续 1 小时，同时调整火电出力 10 MW，使联络线功率保持在计划值 ±5 MW 以内。判断是否达成目标，看两个指标：联络线偏差是否在允许范围内、储能 SOC 是否在 20%–90% 之间。如果 SOC 接近下限而偏差仍大，说明预测误差带被低估，需要扩大备用或提前调用需求响应。

五、从特性到行动的判断链

实际工作中，面对一个新能源场站或区域，可以按以下顺序判断预测与协同需求：

1. 看波动性：统计 15 分钟和 1 小时功率变化率，判断需要多高时间分辨率的预测。
2. 看间歇性：统计出力为零的时段占比和持续时间，判断储能和备用的容量需求。
3. 看随机性：计算预测误差的 RMSE 和分位数覆盖率，判断误差带是否可用。
4. 看误差传导：检查日前、日内、实时各环节的偏差考核和备用调用情况，定位误差影响最大的环节。
5. 选协同场景：根据时间尺度和资源条件，从表中匹配最合适的协同方式，并明确预测输入和判断指标。