气象数据

ECMWF 集合预报系统（ENS）在可再生能源中的应用

· 南京运梦科技算法团队 · 评审 算法负责人

ECMWF 集合预报系统（ENS）在可再生能源中的应用 封面

风电场调度员最头疼的不是"明天风速多大"，而是"明天风速到底有多不确定"。当一个单值确定性预报告诉你"明天14点风速8 m/s"时，你无法判断这个数字的置信区间是±1 m/s 还是±4 m/s——而这两种情形对应的报量策略截然不同。前者可以大胆按额定出力申报，后者则必须保守留备用容量，否则一旦偏差超出考核阈值，罚款金额可能远超多报的收益。

集合预报（Ensemble Prediction System，EPS）正是为解决这一痛点而生。它不运行一次数值天气预报，而是同时运行数十条略有差异的预报轨迹，用多成员的离散程度来量化大气的内在不确定性。展宽大的时段意味着天气系统混沌性强，出力不确定高；展宽小的时段意味着大气状态稳定，可以放心多报。这正是现代功率预测系统从"点预测"走向"概率预测"的底层气象驱动力。

2005 年，欧洲中期天气预报中心（ECMWF）的 Roberto Buizza 及来自加拿大气象局（MSC）和美国国家环境预测中心（NCEP）的合作者，在 Monthly Weather Review 发表了一篇系统性比较三大全球集合预报系统的里程碑论文。这篇文章至今仍是理解集合预报方法论差异的最佳入口之一，也是新能源功率预测工程师必读的气象学基础文献。

关键要点

  • ECMWF ENS 采用 51 成员（1 控制 + 50 扰动）与奇异向量（Singular Vector）初始扰动，在长达 10 天的预报区间内整体技巧领先加拿大 MSC（16 成员，扰动观测/最优插值）与美国 NCEP（10 成员，繁殖向量）
  • 集合展宽度（spread）是判断次日风光出力不确定性的直接信号：展宽大时应保守报量，展宽小时可积极跟进
  • 奇异向量方法在中纬度有助于捕捉误差增长，契合风电功率预测最关注的 D+1 至 D+3 时段
  • 三大系统在热带地区均存在欠离散（underdispersion）问题，提示集合功率曲线在台风过境等极端天气时需额外校正
  • 运梦气象 API 可通过德国气象局（dataSourceId: "ger"）的多起报时次（00/06/12/18 UTC）拉取多条预报轨迹，近似实现集合驱动的概率功率预测

背景与定位

这篇论文的第一作者 Roberto Buizza 是 ECMWF 集合预报领域的奠基人之一，他在 1990 年代主导开发了奇异向量初始扰动方案，并持续推动 ECMWF ENS 的业务化迭代。合作者 Houtekamer（加拿大 MSC）长期深耕集合数据同化方法（论文研究时段 MSC 业务系统采用扰动观测/最优插值方案，其主导的集合卡尔曼滤波则在本研究之后、2005 年 1 月才在 MSC 投入业务），Toth（NCEP）则是繁殖向量方法的主要开发者。三位作者代表了当时全球集合预报方法论的三条主线，论文本身就是一次罕见的跨机构技术横评。

发表于 Monthly Weather Review 的这篇文章选取 2002 年 5 月至 7 月（北半球夏季）这一连续 3 个月窗口，系统评估了三大系统的业务预报性能，覆盖全球范围的确定性技巧、概率技巧和集合可靠性。对新能源行业而言，这篇文章的价值在于提供了集合预报方法论的"源头"认知：知道 ENS 是如何生成、如何评分的，才能正确理解从 ENS 下游衍生的功率不确定性产品。

从可再生能源调度的视角来看，集合预报解决的核心问题是"不确定性的可操作化"。单值预报只给出期望值，而集合预报额外给出分布信息——这正是电力市场中报量优化、储能调度策略和考核风险管理所需要的输入。一个没有集合信息的功率预测系统，就像一个只报收盘价而不报波动率的金融数据终端，决策者拿到手里依然无从下注。

方法 / 它做了什么

论文对三套系统的初始扰动方案进行了深入比较。ECMWF ENS 使用奇异向量（Singular Vector，SV）方法：在预报初始时刻，计算使预报误差在特定时间窗口内增长最快的扰动方向，将这些方向叠加到分析场上生成 50 个扰动成员，加上未扰动的控制成员共 51 条轨迹。SV 方法的物理本质是捕捉大气中"最不稳定"的误差模态，因此对中纬度斜压系统尤为敏感，这解释了它在中期预报中的优势。

加拿大 MSC 在论文研究时段（2002 年）采用扰动观测/最优插值（Optimal Interpolation，OI）方案，配置 16 个成员。该方案通过若干条相互独立的数据同化循环来生成初始扰动：每条循环同化一组经过随机扰动的观测，并使用略有差异的模型版本，从而以蒙特卡洛的方式逼近分析误差的统计结构。这一方案在物理上较为直观，但成员数有限，对尾部概率的采样能力相对受限。（MSC 后来发展的集合卡尔曼滤波直到 2005 年 1 月才投入业务，不属于本论文的评估对象。）

美国 NCEP GEFS 在论文研究时段采用繁殖向量（Bred Vectors，BV）方法，配置 10 个成员（由 5 对繁殖对生成）。繁殖向量通过反复将短时预报误差放大再缩小的迭代过程来逼近大气的增长模态，计算成本低于 SV，但理论上捕捉的误差结构不如 SV 精确。10 成员在统计意义上偏少，对尾部概率的估计存在较大抽样误差。

在评估指标方面，论文使用了两类核心度量：一是CRPS（连续排名概率评分，Continuous Ranked Probability Score），它综合衡量概率预报的准确性和可靠性，数值越小越好；二是Brier Skill Score（BSS），专门评估特定阈值事件（如风速超过某临界值）的概率预报能力。论文还分析了集合离散度与均方根误差之间的"展宽—技巧关系"，以及各系统在不同纬度带的可靠性图表现。

基准评估覆盖 2002 年 5 月至 7 月的预报样本，在长达 10 天的预报时效上重点关注 500 hPa 位势高度、850 hPa 温度等变量。论文的总体结论是：ECMWF ENS 在整个 10 天预报区间内整体表现最佳，奇异向量方法在中纬度尤其有助益。对于新能源应用最关心的近地面风速场，集合技巧同样会随预报时效增长而逐步显现——例如 72 h 前后正处于风电 D+1 至 D+3 的调度决策窗口（此处的 72 h 仅作示意，并非论文给出的量化拐点）。

关键结论

  1. 综合 CRPS、Brier Skill Score 等指标，ECMWF ENS 在长达 10 天的预报区间内整体表现最佳，领先加拿大 MSC 和美国 NCEP GEFS。
  2. 论文指出集合预报系统的表现强烈依赖于其底层数据同化系统（用于生成未扰动的最优初始场）以及数值模型本身的质量；奇异向量方法在中纬度有助于捕捉误差增长。
  3. 各系统普遍存在欠离散（underdispersion）问题，即集合展宽小于实际预报误差，在不同区域和时效上程度不一。
  4. 论文结论强调初始场质量与模型质量是决定集合技巧的关键，而非单纯的成员数量——这一点也解释了为何成员更多的系统未必取得更高的整体技巧得分。
  5. 集合均值（Ensemble Mean）通常优于单条确定性控制预报，多成员平均有助于压制随机误差、保留系统性信号。

对新能源 / 运梦平台的意义

对于风电运营商，集合预报最直接的工程价值体现在次日出力分位数曲线上。将 ENS 的 51 条风速轨迹分别通过功率曲线映射为 51 条出力轨迹，再统计各时刻的 P10/P50/P90 分位数，就得到了功率预测的置信区间。当 P90 与 P10 之差较大时（集合展宽大），说明当前大气状态混沌度高，建议调度员采取保守报量策略，预留更多旋转备用；当展宽较小时，P50 预测值的可信度高，可以更激进地跟踪预测值报量。这套逻辑在国内电力市场考核体系下尤为实用——不确定性高时保守报，可系统性降低偏差考核风险。

对于光伏电站，集合预报的意义同样深远。辐照度（GHI/DNI）的不确定性主要来源于云系移动路径的混沌性：一片对流云团偏移 30 km，可能导致某电站午间出力从满发骤降至 20%。集合预报通过多成员覆盖云系路径的可能空间，使得辐照不确定性可以被量化为概率分布而非单一点值。结合逆变器的 SCADA 实时数据进行在线校正后，集合驱动的光伏功率预测能显著改善 D+1 的 RMSE，尤其在云量变化剧烈的梅雨季节效果最为明显。

从电网调度的全局视角看，集合预报还支撑了跨区域不确定性的相关性分析。如果华北和华东的风电出力不确定性高度正相关（两地同处一个天气系统控制下），那么极端低出力场景的概率远高于两地独立变化的情形；反之则可以通过跨区互济有效对冲。这类分析必须基于同源的集合场才能正确计算，而这正是为什么大型能源集团的调度中心越来越倾向于采购集合气象产品而非单一确定性预报。

运梦气象 API 目前以德国气象局模型（dataSourceId: "ger"）作为主要确定性预报源，提供高时间分辨率的近地面气象要素预报。在集合应用场景下，工程团队可以利用德国气象局每日 4 次的起报时次（00/06/12/18 UTC），对同一预报目标时刻分别拉取 4 条不同起报时次的预报轨迹，构成一个"多时次近似集合"。尽管这与真正的 51 成员 ENS 有本质区别，但在 D+1 预报精度验证中，多时次平均往往比单一时次确定性预报提供 5%—15% 的 RMSE 降幅，是工程上性价比极高的不确定性量化替代方案。

在运梦气象 API 上手

要在运梦气象 API 上实现多时次近似集合，思路是对同一站点、同一目标预报窗口，在德国气象局每日的 4 个更新时次（对应 00/06/12/18 UTC 起报）分别调用 downloadSync 接口并归档各次返回——每次调用拿到的是当时最新一轮预报对目标窗口的刻画，4 次调用即得到 4 条对同一时段、信息逐步更新的预报轨迹。单次调用的请求体如下：

字段说明：u100/v100 为 100 m 高度水平风分量（合成后得到轮毂高度风速），ws 为近地面风速，rsds 为地面向下短波辐射（直接驱动光伏功率模型），tas 为近地面气温（影响组件效率）。

{
  "dataSourceId": "ger",
  "lat": 39.92,
  "lon": 116.46,
  "stime": "2026-04-29 00:00",
  "etime": "2026-04-30 23:00",
  "fields": ["u100", "v100", "ws", "rsds", "tas"],
  "timezone": "8"
}

在 4 个更新时次分别发起上述请求并保存返回序列，即可得到覆盖同一目标窗口的 4 条预报轨迹。对每个目标时刻取 4 条轨迹的均值作为集合均值预报，取标准差作为不确定性指标，再通过功率曲线映射，即可输出 P10/P50/P90 功率分位数供调度系统使用。

常见问题

Q：集合预报和确定性预报相比，在风电预测中具体能改善多少精度？ 根据学术文献和业务实践，在 D+1 预报时效，集合均值相比单条确定性预报通常可降低 5%—20% 的 RMSE，具体改善幅度取决于天气系统类型和地形复杂度。在大气混沌度高的天气过程（如锋面过境、对流爆发）中，改善幅度更大；在高压稳定期，集合均值与控制预报差异微小。

Q：运梦气象 API 的 ger 数据源和真正的 ECMWF ENS 有什么区别？ 德国气象局（dataSourceId: "ger"）提供的是确定性数值天气预报的高分辨率模型输出，并非 ECMWF ENS 的 51 成员集合产品。通过拉取多个起报时次的 ger 预报可以近似集合效果，但理论上不等同于真正的集合预报。如需严格意义上的集合产品，请联系运梦技术团队了解企业定制方案。

Q：欠离散（underdispersion）在功率预测中会导致什么实际问题？ 欠离散意味着集合展宽低估了真实不确定性，即功率的 P10—P90 区间比实际出力的波动范围更窄。在调度实践中，这会导致调度员低估极端偏差风险，在高不确定性时段仍按集合均值激进报量，从而增加考核偏差概率。工程上可通过历史数据校准（如等级回归或分位数映射）对原始集合展宽进行修正。

Q：集合成员数量越多越好吗？成员数是决定集合质量的关键吗？ 成员数并非决定性因素。在该论文研究时段（2002 年），ECMWF ENS 为 51 成员、MSC 为 16 成员、NCEP 为 10 成员，而 ECMWF ENS 在整体技巧评分上领先——可见集合质量更多取决于初始扰动方案的物理合理性（SV 方法在中纬度中期预报中更优）、底层数据同化系统与模型本身的分辨率和参数化方案，而非单纯堆成员数。对于工程应用而言，20—50 成员通常已足够覆盖主要不确定性模态，超过这一数量的边际收益递减显著。

Q：集合预报在光伏预测中的应用场景与风电有何不同？ 光伏集合预报的核心变量是辐照度的概率分布，尤其是云量不确定性引起的辐照骤变风险。风电更关注风速的分位数区间用于报量优化，光伏则更关注极端低辐照场景（如深度遮云）出现的概率，用于制定储能充放电策略和备用容量计划。两者在技术路线上相似，但驱动变量和下游决策逻辑有所差异。

引用与原文

Buizza, R., Houtekamer, P. L., Pellerin, G., Toth, Z., Zhu, Y., & Wei, M. (2005). A comparison of the ECMWF, MSC, and NCEP global ensemble prediction systems. Monthly Weather Review, 133(5), 1076–1097. DOI: doi.org/10.1175/MWR2905.1