Interactive Forecast Lab
SIMULATED DATA
短期功率预测演示台
切换场站、气象情景与预测窗口，观察点预测、区间宽度和爬坡风险如何变化。
Scenario Context
辐照条件较稳定，日间出力沿平滑包络上升并在午间达到峰值。
页面曲线与指标由固定公式生成，仅用于解释交互和研究流程； 本页演示数据不构成模型性能或业务效果结论。
正在生成模拟预测摘要。
WHY POWER FORECASTING MATTERS
发电功率预测的价值与意义
光伏与风电出力受天气过程影响显著，天然具有波动性、间歇性和不确定性。 发电功率预测的价值不只在于更准确地估计下一时段出力，更在于把不可控的天气变化转化为 可提前识别、可量化评估、可纳入调度的运行信息。
核心价值：把未来新能源出力的不确定性转化为并网、消纳、储能和交易可以提前响应的决策依据。
保障新能源并网安全
提前识别功率峰值、快速爬坡和骤降事件，为备用容量、频率调节和安全校核提供依据， 降低气象突变对电网稳定运行的冲击。
提升新能源消纳能力
结合负荷需求与输电约束预判可再生能源出力，减少被动弃风弃光， 支撑跨区域调度与源—网—荷协同，提高绿色电力利用率。
协同储能与灵活性资源
用点预测和区间预测共同安排储能充放电、可调机组和需求侧资源， 在风险与成本之间形成可解释的灵活性配置。
支撑电力交易与场站运营
为日前申报、实时交易、设备检修和场站功率控制提供可信基线， 降低偏差考核成本并提升资产运行效率。
研究意义
新能源发电场景同时包含外生气象驱动、设备物理边界、快速事件与风险决策， 是检验时序模型情境理解和可信预测能力的重要试验场。
历史拟合走向气象与物理约束融合
点预测走向概率与多情景预测
平均误差走向爬坡风险与决策价值
Research Questions
关键研究问题
发电功率预测不仅要降低平均误差，还要识别天气驱动的突变、刻画不确定性， 并把预测输出转化为可用的调度信息。
气象条件如何改变出力
把光伏辐照、云量、温度与风速、风向、阵风等信号对齐到功率曲线，学习不同时间尺度的影响。
- 数值预报与场站观测的时空对齐
- 光伏日内包络与风机功率曲线约束
- 天气预报误差向功率预测的传播
如何提前识别爬坡事件
短时云团、阵风和锋面过境可能导致功率快速升降，需要同时判断事件发生时间、方向与幅度。
- 多尺度变化率与转折点建模
- 稀有强爬坡事件的召回与时效
- 事件级误差与常规点误差联合评价
如何支撑风险感知决策
同一条点预测可能对应不同风险。区间、分位数与情景概率用于表达备用需求和消纳压力。
- 校准的 P10、P50、P90 分位数预测
- 天气情景下的多轨迹推演
- 区间可靠性、宽度与决策成本权衡
Forecasting Loop
预测方法闭环
从预测时点可见的数据出发，经过多源建模和概率预测，最终以调度反馈更新场景定义与误差诊断。
数据对齐
统一历史出力、气象观测、数值预报、设备状态和日历信息的时间粒度与可见边界。
多源表征
联合编码序列周期、天气场变化与设备运行约束，区分稳态变化和突发扰动。
点与区间预测
同时生成期望功率、分位数区间与爬坡事件判断，避免只给单一确定性答案。
调度反馈
依据并网、备用和限电策略评估预测价值，并把误差与决策结果反馈到下一轮建模。
Evaluation & Trust
评测与可信边界
评测需要同时回答“数值是否准确、区间是否可靠、关键事件是否及时”， 并严格限制模型能看到的信息。
时间顺序与信息边界
按时间顺序划分训练、验证和测试窗口。模型只使用预测时点可获得的场站观测、设备状态与气象预报， 不使用事后修正的天气数据或测试窗口信息，避免未来信息泄漏。
滚动回测
季节分层
场站外验证
可用性快照
多维度预测质量
点预测报告 MAE、RMSE 与 nMAE；概率预测报告区间覆盖率和平均区间宽度； 对爬坡事件单独报告识别准确性、召回率、幅度误差和提前量。
MAE
RMSE
nMAE
区间覆盖率
平均区间宽度
爬坡事件
演示边界： 本页曲线和摘要指标由固定公式生成，用于解释交互与研究流程； 本页演示数据不构成模型性能或业务效果结论。正式结论必须来自可追溯数据、冻结协议和独立测试集。