3. 模型验证的数学基础

新能源场站模型验证的核心问题可以归结为一句话：仿真曲线与实测曲线到底“像不像”，以及这种“像”是否足以支撑工程结论。回答这个问题不能只靠肉眼比对波形，而需要一套从误差、相关性、频域特征到统计推断的量化链条。本节围绕这条链条展开，说明每个指标在验证中的角色、计算方式与判读边界。

一、误差分析：先看“差多少”

误差分析回答的是幅值层面的偏差。设实测序列为 y(k)，仿真序列为 ŷ(k)，k=1…N，采样间隔为 Δt。最常用的三个指标是：

• 平均绝对误差 MAE：MAE = (1/N)Σ|y(k)−ŷ(k)|，反映平均偏差幅度，量纲与功率相同。
• 均方根误差 RMSE：RMSE = √[(1/N)Σ(y(k)−ŷ(k))²]，对大误差更敏感，适合考核爬坡、跌落等剧烈过程。
• 平均绝对百分比误差 MAPE：MAPE = (1/N)Σ|(y(k)−ŷ(k))/y(k)|×100%，便于跨容量比较，但在实测值接近零（夜间光伏、小风时段）时会发散，需设功率门槛（如额定功率的5%）后再统计。

工程上更常用归一化误差：以场站额定功率 P_n 为基准，定义 nRMSE = RMSE/P_n×100%。例如某 50 MW 风电场，一段 10 min 实测与仿真序列计算得 RMSE = 2.5 MW，则 nRMSE = 5%。若验收标准为“有功功率 nRMSE ≤ 10%”，该段即判为合格。需要注意：误差指标必须与时间尺度绑定，10 min 平均功率的误差通常远小于 1 s 瞬时功率的误差，报告时必须写明数据分辨率与统计窗口。

二、相关性度量：再看“变化趋势像不像”

误差小不代表趋势对。若仿真曲线整体平移或缩放，误差可能不大，但动态过程完全失真。因此需要相关性指标：

• 皮尔逊相关系数 r：衡量线性相关程度，r = cov(y,ŷ)/(σ_yσ_ŷ)，取值 [−1,1]。r 接近 1 说明两者同增同减。
• 决定系数 R²：R² = 1 − Σ(y−ŷ)²/Σ(y−ȳ)²，同时反映偏差与趋势，是综合指标。
• 互相关函数：用于识别仿真相对实测是否存在时间滞后，峰值位置对应时延。

一个典型陷阱：光伏出力在正午呈钟形，若仿真曲线形状正确但整体偏低，r 仍可能高达 0.98，而 R² 只有 0.85。因此建议误差与相关性成对使用：nRMSE 管幅值，R² 管趋势，两者同时达标才认为模型在时域上可信。

三、频谱分析：看“波动成分对不对”

新能源出力含大量波动分量，时域指标会掩盖频域差异。频谱分析把信号分解到不同频率，检查仿真是否复现了实测的波动结构。常用工具是快速傅里叶变换（FFT）与功率谱密度（PSD）。

实操要点：先去除直流分量与线性趋势，加汉宁窗抑制泄漏，再做 FFT，得到幅值谱 |Y(f)|。对风电场，重点关注 0.01–1 Hz 的湍流与塔影频段；对光伏，关注云遮挡引起的分钟级波动。判读时比较两条谱线在关键频段的能量比：若仿真在 0.1 Hz 附近能量明显偏低，说明模型对短时波动响应不足，可能是控制环节时间常数偏大或滤波过强。

四、置信区间与统计显著性检验：结论是否可信

前面三类指标都基于一段样本，换一段数据结果会变。因此必须回答：观测到的差异是真实的，还是随机波动？

置信区间给出指标的不确定范围。以 nRMSE 为例，若在 m 个统计窗口上得到均值 x̄ 与标准差 s，则总体均值的 95% 置信区间为 x̄ ± t_0.025,m−1·s/√m。例如 12 个窗口算得 nRMSE 均值 8.2%、标准差 1.5%，查 t 表 t_0.025,11≈2.201，则 CI = 8.2% ± 0.95%，即 [7.25%, 9.15%]。由于上限 9.15% 仍低于 10% 的验收线，可判定合格；若 CI 上限越过 10%，则结论不确定，需增加样本或改进模型。

显著性检验用于比较两组结果，例如“改进模型前后的误差是否有本质差异”。设原模型 nRMSE 均值 9.0%，新模型 8.2%，用配对 t 检验：t = d̄/(s_d/√m)，其中 d̄ 为逐窗口差值均值，s_d 为差值标准差。若算得 t = 3.1，自由度 11，查表临界值 2.201，则 |t| > 临界值，p < 0.05，拒绝原假设，认为改进显著。反之若 p = 0.18，则差异可能来自随机波动，不能宣称改进有效。