4. 新能源功率预测方法总览

新能源功率预测的方法体系，通常按“如何建立从气象/数值天气预报（NWP）到功率的映射”来划分。理解四类方法的差异，关键不是记住名称，而是看清它们各自依赖什么信息、在什么条件下更可靠、误差来源在哪里，以及工程上如何组合使用。下面先给出总体关系，再逐类展开。

物理方法：从大气到功率的“白箱”推演

物理方法的核心是“不依赖大量历史功率样本”，而是用流体力学、热力学和风机/光伏组件的物理特性，把NWP输出的气象量逐步降尺度到轮毂高度或组件表面，再通过功率曲线或光电转换模型得到功率。典型流程是：NWP网格风速→微尺度风场降尺度（考虑地形、粗糙度、尾流）→轮毂高度风速→风机功率曲线→场站总功率。光伏则把辐照度、温度、组件效率、逆变器效率串起来。

它的优势在于可解释、可迁移，特别适合新建场站、历史数据不足或地形复杂的场景。但误差来源也很明确：NWP本身的误差会被放大，功率曲线在接近额定风速和低风速段非线性强，尾流模型和地形简化也会带来偏差。因此物理方法常作为“基线模型”，在数据积累后与统计方法结合。

统计方法：用历史数据拟合映射关系

统计方法把预测问题转化为“给定输入，估计输出”的回归或时间序列问题。常见形式包括多元线性回归、自回归滑动平均（ARMA/ARIMA）、卡尔曼滤波、指数平滑等。以风电为例，若用NWP风速和实测功率建立线性回归，形式可写为 P = a·v + b，其中a、b由历史样本最小二乘拟合得到。更精细的做法会引入风速的二次项、风向正弦/余弦分量、温度等。

统计方法的关键假设是“历史规律在未来可重复”，因此对样本质量、平稳性和代表性要求高。若场站经过技改、限电频繁或气候异常，映射关系会漂移，需要定期滚动重训。它的优点是实现简单、计算快、可给出置信区间；缺点是对强非线性、突变天气和未见过工况的泛化能力有限。

机器学习方法：自动学习非线性与高维特征

机器学习方法不预设映射形式，而是用数据驱动的方式学习输入到输出的复杂关系。常用模型包括随机森林、梯度提升树（XGBoost/LightGBM）、支持向量回归、BP神经网络，以及面向时序的LSTM、GRU、TCN和Transformer等。输入通常包括多高度风速、风向、温度、气压、湿度、历史功率、时间编码（小时、月份）等。

实际落地时，特征工程和样本组织往往比模型选择更关键。例如把风速按区间分箱、构造爬坡特征、加入前几个时刻的功率滞后项；训练集、验证集、测试集按时间顺序划分，避免未来信息泄漏。评价时除RMSE外，还要看爬坡段的误差和合格率。机器学习的上限受数据质量、覆盖工况和标注精度制约，若历史数据中限电、停机样本多，模型会学到错误规律，需要先做数据清洗和工况筛选。

组合方法：多模型互补与误差修正

组合方法并不神秘，本质是承认单一模型都有盲区，用多个模型的输出进行加权、堆叠或残差修正。常见形式有三种：一是线性加权组合，权重可按历史误差倒数或最小二乘确定；二是残差修正，先用物理或统计模型给出基础预测，再用机器学习模型预测残差并叠加；三是集成学习，把多个基模型（如不同NWP源、不同算法）的输出作为输入，训练一个元模型。

组合方法在并网考核场景中价值明显：物理模型保证物理合理性，统计模型捕捉局部规律，机器学习模型处理非线性，组合后通常能降低RMSE并提升爬坡命中率。但要注意，组合不是简单平均，权重需要滚动更新，且要防止过拟合验证集。工程上建议保留“基础模型+修正模型”的可解释结构，便于排障和向调度解释偏差来源。

四类方法对比与选用建议