3. 功率预测数据工程基础

虚拟电厂的功率预测不是从模型开始的，而是从数据开始的。一个风电场或分布式光伏集群的预测精度，往往在数据进入模型之前就已经被决定了。本节围绕四类核心数据源——SCADA、气象、市场、用户侧——梳理从采集到可建模数据集的完整工程链路，重点讲清楚每一步“实际怎么做”以及“做到什么程度算合格”。

四类数据源的特征与采集方式

SCADA 数据是功率预测的主标签来源。风电场 SCADA 通常以 1 分钟或 5 分钟为周期，记录有功功率、风速、风向、桨距角、机舱温度、限电标志等测点；光伏电站则记录有功功率、辐照度、组件温度、逆变器状态。采集方式多为 OPC UA、Modbus TCP 或 IEC 104 协议，经边缘网关汇聚后写入时序库。关键点在于：SCADA 时间戳应统一为 UTC 或带时区的本地时间，并保留原始时区字段，否则跨区域聚合时会出现“同一时刻不同物理时间”的错位。

气象数据分为两类：数值天气预报（NWP）和场站实测气象。NWP 提供未来 0～72 小时的辐照度、风速、温度、湿度、气压等格点或点位预报，时间分辨率通常为 15 分钟或 1 小时；实测气象来自场站气象站或辐照计，用于偏差订正。NWP 的采集需关注起报时间（issue time）和预报时效（lead time），同一时刻可能有多个起报版本，必须明确选用哪一版，否则会造成“未来信息泄漏”。

市场数据包括日前电价、实时电价、调频容量价格、中长期合约电量等。这类数据的特点是时间粒度不规则（15 分钟、1 小时、按日），且存在发布延迟。采集时应记录“发布时间”和“生效时间”两个字段，用于判断在预测时刻是否真的可获得该信息。

用户侧数据来自可调节负荷、储能、充电桩等，常见为 15 分钟或 1 小时的电量/功率、SOC、可调容量、开关状态。用户侧数据质量最不稳定，常出现通信中断、表计冻结、时区混乱等问题，需要单独设计校验规则。

清洗：把“脏数据”变成“可解释数据”

清洗不是简单删掉异常值，而是让每一条记录都能被解释。以某 50 MW 风电场 2024 年 3 月 1 日至 3 月 7 日的 SCADA 数据为例（以下为教学示例，非实测结果）：原始记录 20160 条（1 分钟粒度），清洗规则如下。

• 去重：同一机组同一时间戳出现多条记录时，保留采集时间最新的一条，并记录重复次数。
• 量纲统一：将功率统一为 kW，风速统一为 m/s，温度统一为 ℃。
• 物理范围校验：有功功率应满足 -5% 额定容量 ≤ P ≤ 105% 额定容量；风速应满足 0 ≤ v ≤ 40 m/s；桨距角应满足 -5° ≤ β ≤ 95°。超出范围标记为“越限”。
• 限电识别：当“限电标志=1”且功率低于同风速下理论功率的 80% 时，该时段功率不作为正常标签，需单独标记。
• 停机/检修剔除：状态字为“停机”“检修”“故障”时，功率置为缺失，不参与训练。

清洗后，示例数据中约 3.2% 的记录被标记为越限或停机，1.1% 为重复记录。这些比例本身不是目标，关键是每条被处理的数据都有对应的标记字段，便于后续追溯。

时间对齐：统一到同一根时间轴上

四类数据的时间粒度不同，必须对齐到统一网格。工程上常用 15 分钟网格，对齐规则如下：

• SCADA 降采样：1 分钟数据聚合为 15 分钟，功率取均值，风速取均值，状态取“15 分钟内是否出现停机”的布尔值。
• NWP 插值：将格点预报双线性插值到场站经纬度，再按时间线性插值到 15 分钟。注意：只能用起报时间之前可获得的数据，避免未来信息泄漏。
• 市场数据前向填充：电价按生效时间对齐，若某 15 分钟无新价格，则沿用上一时段价格，并记录“价格是否更新”。
• 用户侧时区校正：若用户侧数据为本地时间且未带时区，需根据设备地理位置统一转换为 UTC，再转回目标时区。

对齐后，每个 15 分钟时间戳对应一行记录，包含 SCADA 功率、NWP 辐照度/风速、电价、用户侧负荷等字段。示例中，3 月 1 日至 7 日共 672 个时间点，对齐后完整记录 648 条，缺失 24 条。

缺失值处理：区分“真缺失”与“假缺失”

缺失值处理的第一步是判断缺失类型。通信中断导致的缺失是“真缺失”，设备停机导致的缺失是“假缺失”（实际功率为 0，但不应作为正常样本）。处理策略如下：

• 短缺口（≤ 4 个连续点，即 ≤ 1 小时）：线性插值或前向填充，同时生成缺失掩码字段 is_missing=1。
• 长缺口（> 4 个连续点）：用同风速下历史功率曲线回归补全，或使用轻量模型（如随机森林）基于 NWP 和相邻机组数据补全。补全值必须标记来源，如 fill_method="regression"。
• 禁止使用未来值：任何补全只能使用当前时刻及之前的信息，否则会造成标签泄漏。

示例中，24 个缺失点里 18 个为短缺口，采用线性插值；6 个为长缺口，采用同风速历史曲线补全。补全后，所有缺失点均保留掩码，训练时可通过掩码加权，降低补全值对模型的干扰。

异常检测：统计规则与物理规则并用

异常检测的目标不是“删掉异常”，而是“标记异常”。常用方法包括：

• 统计法：对功率、风速等字段计算 3σ 或 IQR 边界，超出边界标记为统计异常。注意：功率本身具有强日周期，直接对全序列做 3σ 会误判早晚高峰，应按“同小时”分组计算。
• 物理一致性：风速为 0 时功率应接近 0；风速超过切出风速时功率应接近 0；功率不应超过额定容量。违反这些规则的记录标记为物理异常。
• 功率-风速曲线偏离：用历史正常数据拟合功率曲线，计算当前点与曲线的残差，残差超过阈值标记为曲线异常。
• 变化率突变：15 分钟内功率变化超过额定容量的 30% 且无对应风速突变时，标记为突变异常。

示例中，3 月 1 日至 7 日共标记统计异常 12 条、物理异常 5 条、曲线异常 9 条、突变异常 3 条。这些标记字段随数据集一起交付，模型训练时可选择剔除或降权。

从数据到可建模数据集：一份可执行的检查清单

完成上述步骤后，建议用以下清单做交付前检查（示例字段，可按项目调整）：

这份清单的意义在于：当预测精度不达标时，可以快速定位是数据采集、清洗、对齐还是异常检测环节出了问题，而不是盲目调模型。数据工程做扎实，模型才有发挥空间。