功率预测时效怎么选：超短期、短期、中期的数据源、误差与考核场景

做新能源功率预测，第一道分水岭不是"用什么模型"，而是"预测到底要管多久"。同样一套场站，超短期(≤4h)拼的是实测惯性和爬坡识别，短期(~3天)拼的是数值预报的天气形势，中期(~10天)拼的是趋势与可信区间的诚实表达。把这三段时效混成一个"功率预测系统"去做，往往是误差失控、考核扣分、运维背锅的根源。这篇文章按时效分段，讲清楚每一段该用什么数据源、误差长什么样、刷新频率怎么定、对应哪类考核场景，并在最后用运梦气象 API 跑一段可运行的取数示例。

关键要点

• 功率预测先按时效分段再选方法：超短期(≤4h)、短期(~3天)、中期(~10天)三段的主数据源、误差主因和刷新频率各不相同，硬套同一套方法会系统性失准。
• 超短期主数据源是场站实测(辐照、100m 风速、实时出力)，以持续法为基线叠加外推、用数值预报兜底 1-4h 趋势，5-15 分钟高频滚动，工程重心在采集链路而非模型。
• 短期主数据源切换为数值天气预报，运梦气象 API 用 dataSourceId=ger(德国气象局预报数据 DWD)覆盖未来约 7 天，配近 N 天残差做在线偏差订正，误差常表现为相位误差。
• 中期(7-10 天)确定性技巧逼近气候态，应输出 P10/P50/P90 区间或趋势带，诚实标注低置信，而不是把噪声当成精确点预测上报。
• ERA5(dataSourceId=era5)是历史再分析地基，只用于训练偏差订正模型、资源评估和离线回测，不参与任何对未来的预测；历史用 era5、未来用 ger，职责不混用。

为什么先分时效，再谈方法

功率预测的可预报性随时效衰减，但衰减不是线性的，而是"分段塌陷"。0-2h 内，场站当前出力本身就是对下一步最好的先验，气象数值预报反而帮不上忙；2-6h 是实测惯性和数值预报此消彼长的交接带；进入次日到 3 天，可预报性几乎完全由数值预报模式的天气形势把握能力决定；超过 5-7 天，确定性预报的技巧快速逼近气候态，再往后只能谈概率和趋势。

这意味着每一段时效的"主数据源"是不同的，硬拿一段的方法去套另一段，要么浪费算力，要么系统性失准。下面按三段拆开讲，每段都落到数据源、误差、刷新、考核四件事上。

超短期(≤4h)：实测外推为主，数值预报兜底趋势

超短期预测面向的是电网的实时平衡和 15 分钟级滚动调度。它的核心数据不是天气预报，而是场站自己的实测：测光站的辐照、测风塔与机舱的 100m 风速、逆变器与风机的实时出力，以及可获取的卫星云图和天空成像仪。

误差特征上，超短期最怕的不是平均偏差，而是爬坡事件——云团遮挡导致光伏分钟级骤降、阵风导致风电瞬时拉升。这类事件下持续法(persistence)和简单外推会整体漏报或延迟响应。工程上常用的办法是：以持续法为基线，叠加云团移动矢量外推(光伏)或实测风速的短时自回归(风电)，再用数值预报提供 1-4h 的趋势锚，避免外推一路飘走。

刷新频率上，超短期必须高频滚动，典型是每 15 分钟出一次未来 4h 的逐 15 分钟曲线，部分省份要求每 5 分钟刷新。数据管道的实时性比模型精度更关键——实测晚到 10 分钟，再好的算法也救不回来，所以这一段的工程重心是采集链路而非模型本身。

适用考核：对应"两个细则"里的超短期功率预测考核，多数省份要求第 4 小时的预测精度达标，按月统计合格率并与并网考核挂钩。超短期一旦数据中断，要立即降级到持续法并标记缺测，而不是让模型空跑外推、把缺测当成真实出力喂进去。

短期(~3天)：数值预报当家，实测做在线订正

短期预测面向的是次日发电计划申报、检修安排、现货市场报量。这一段实测惯性已经衰减殆尽，主数据源切换为数值天气预报(NWP)。运梦气象 API 的预报数据来自德国气象局预报数据(DWD)，在请求里把 dataSourceId 取值为 ger，覆盖未来约 7 天，正好把短期到中期前段一并覆盖。

短期预测的链路是：取 NWP 的关键字段(光伏取 rsds/dni/dhi 辐照三件套加 tas 气温，风电取 u100/v100 或派生的 ws/wd)，做时空插值到场站点位，经辐照-出力或风速-功率曲线映射，再用近 N 天的(预报，实测)残差做在线偏差订正。

误差特征：短期误差主要由 NWP 的天气形势把握能力决定。晴空稳定天气下日前 nRMSE 可以做到很低，但在锋面过境、强对流、积云场这类高变率天气，误差会成倍放大，且常表现为相位误差(过程提前或滞后几小时)而非单纯幅值偏差。相位误差用平移类订正比纯幅值缩放更有效。

刷新频率：短期跟随 NWP 起报节奏，通常每天滚动 1-4 次(对应主要起报时次)。每次起报到达后先做数据质检——起报是否延迟、时间戳是否连续、风速辐照有无物理不可能值——再进模型，比盲目追新报更稳。

适用考核：对应日前/短期功率预测考核，多数省份按未来 3 天、时间分辨率 15 分钟统计合格率与上报及时性。短期是现货市场报量偏差结算的主战场，误差直接对应真金白银，订正模型的收益在这一段最容易被量化出来。

中期(~10天)：趋势与不确定性，诚实比精度更重要

中期预测面向的是周度检修计划、电量交易摸底、水风光互补的中期电量预估。到了 7-10 天，确定性预报的技巧已显著下降，DWD 的 ger 预报到约 7 天为可用上限，再往外要靠多模式或集合的趋势外延。

误差特征：中期的单点逐时误差已经不具备调度意义，有意义的是日电量级别的趋势和区间。这一段最危险的做法，是把一条确定性曲线当成"精确预测"上报——它在第 8-10 天的逐小时形状基本是噪声。正确姿势是输出区间(P10/P50/P90)或至少给出趋势带，让交易和检修决策建立在"可能范围"而非"虚假精确"之上。

刷新频率：中期每天更新一次即可，重点看趋势是否在多次起报之间稳定。如果连续两三次起报对第 7 天的天气形势判断剧烈跳变，说明可预报性低，应在报告里显式标注低置信，而不是装作算得很准。

适用考核：中期目前多数地区不做强约束的逐点合格率考核，更多用于内部运营、交易摸底和检修排程。它的价值在于把不确定性量化出来供决策，而不是追求一个注定不准的点预测。

三段时效速查

ERA5 在哪一段：不是预测，是训练与回测的地基

需要澄清一个常见误解：ERA5(写法就是 ERA5，ECMWF 第五代再分析)不参与上面任何一段对未来的预测。它是历史再分析，在 API 里把 dataSourceId 取值为 era5，定位是三件事——训练偏差订正模型所需的历史(气象，出力)样本对、新场站建站前的资源评估与功率曲线先验，以及预测系统上线前的离线回测基线。

实战里一个稳妥的组合是：用 ERA5 拉多年历史辐照与风速，标定辐照-出力或风速-功率曲线、训练 NWP 偏差订正模型；上线后用 ger 预报跑实时短中期预测，用滚动实测做在线订正。历史用 era5、未来用 ger，职责清晰，不要混用，更不要拿再分析数据去冒充"预报"做回测，那会泄漏未来信息、把回测分数虚高。

在运梦气象 API 上手

运梦气象 API 把历史与预报统一在一个同步下载端点：POST /api/energy-weather/search/weather/action/downloadSync。请求体是 JSON，必填 dataSourceId、lat、lon、stime、etime、timezone(时区偏移，东八区填 "8")和 fields(CF 命名字段数组)。响应是统一 JSON envelope，data 里按字段名给出与 timeList 一一对应的数值数组，不返回 CSV 或 NetCDF，也没有 format 参数，用 resp.json() 解析即可。

下面这段代码同时取一段历史(era5)和一段预报(ger)的光伏辐照三件套，演示"历史训练 + 预报应用"的取数姿势：

import requests
from datetime import datetime, timedelta

URL = "https://console.yun-meng.top/api/energy-weather/search/weather/action/downloadSync"
HEADERS = {
    "Authorization": "Bearer sk-your-api-key",
    "Content-Type": "application/json",
}

def download(data_source_id, stime, etime, fields, lat=32.03253, lon=117.35184):
    body = {
        "dataSourceId": data_source_id,
        "lat": lat,
        "lon": lon,
        "stime": stime,            # 格式 "yyyy-MM-dd HH:mm"
        "etime": etime,
        "timezone": "8",           # 必填，东八区时区偏移
        "fields": fields,          # CF 命名，如 rsds/dni/dhi
    }
    resp = requests.post(URL, headers=HEADERS, json=body, timeout=60)
    result = resp.json()           # 统一 JSON envelope，无 CSV/NetCDF
    if not result.get("success"):
        raise RuntimeError(f"下载失败: {result.get('msg')} (errorCode={result.get('errorCode')})")
    return result["data"]          # data.timeList / data.rsds ... 数组

# 1) 历史 era5：拉去年同期辐照，用于标定与离线回测
hist = download(
    "era5",
    "2024-06-01 00:00", "2024-06-07 23:00",
    ["rsds", "dni", "dhi", "tas"],
)
print("历史样本:", len(hist["timeList"]), "条；首条 GHI =", hist["rsds"][0])

# 2) 预报 ger：未来 3 天，用于短期功率预测
now = datetime.now()
fstart = now.strftime("%Y-%m-%d %H:00")
fend = (now + timedelta(days=3)).strftime("%Y-%m-%d %H:00")
fcst = download("ger", fstart, fend, ["rsds", "dni", "dhi", "tas"])

for t, ghi, dni in zip(fcst["timeList"][:6], fcst["rsds"][:6], fcst["dni"][:6]):
    print(f"{t}  GHI={ghi:.1f} W/m^2  DNI={dni:.1f} W/m^2")

风电只需把 fields 换成 ["u100", "v100", "ws", "wd", "tas", "sp"]，其余调用方式完全一致；ws/wd 是派生风速/风向，u100/v100 是 100m 风分量，按你的高度修正方案二选一或者都取。

落地建议与收尾

把三段时效当成三条并行的产线，而不是一个万能模型：超短期归实测管道，秒级数据可靠性优先；短期归 NWP 加在线订正，每天跟着 ger 起报滚动；中期归趋势加区间，诚实标注置信度。三段共用一套基于 era5 的历史训练与回测地基，但绝不互相借用模型。把数据源职责、刷新频率和考核口径这三件事先对齐，功率预测系统才不会在上线后变成"哪段都差一点"的夹生工程。

常见问题

超短期、短期、中期功率预测分别是多长时间？ 超短期通常指未来 4 小时以内(≤4h)，面向实时平衡和 15 分钟级滚动调度；短期约未来 3 天，面向次日发电计划申报和现货报量；中期约未来 10 天，面向周度检修计划和电量交易摸底。

超短期功率预测主要用什么数据源？ 超短期的核心数据不是天气预报，而是场站自己的实测——测光站辐照、测风塔与机舱的 100m 风速、逆变器与风机的实时出力，以及卫星云图和天空成像仪；数值预报只用来兜底 1-4h 的趋势锚。这一段的工程重心是实测采集链路而非模型本身。

短期功率预测的数值预报数据源怎么取？ 短期主数据源切换为数值天气预报，运梦气象 API 的预报数据来自德国气象局预报数据(DWD)，在请求里把 dataSourceId 取值为 ger，覆盖未来约 7 天；光伏取 rsds/dni/dhi 辐照三件套加 tas，风电取 u100/v100 或派生的 ws/wd，再用近 N 天残差做在线偏差订正。

ERA5 能直接用来做功率预测吗？ 不能。ERA5 是历史再分析(dataSourceId=era5)，不参与任何对未来的预测，只用于训练偏差订正模型、新场站资源评估与功率曲线先验，以及上线前的离线回测基线。拿再分析数据冒充"预报"做回测会泄漏未来信息、把回测分数虚高。

中期功率预测为什么不直接报一条确定性曲线？ 因为到第 8-10 天，确定性预报的逐小时形状基本是噪声，不再具备调度意义。正确做法是输出 P10/P50/P90 区间或趋势带，并在起报间判断剧烈跳变时显式标注低置信，让交易和检修决策建立在"可能范围"而非"虚假精确"之上。

接入功率预测的工程化能力，可以看功率预测产品页与对应解决方案；想先把历史数据地基打牢，从 ERA5 的取数说明与下载指南开始最稳。

参考与延伸阅读

• Hersbach, H., Bell, B., Berrisford, P., et al. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049. https://doi.org/10.1002/qj.3803
• Giebel, G., Cline, J., Frank, H., et al. (2016). Wind power forecasting: IEA Wind Task 36 & future research issues. Journal of Physics: Conference Series, 753, 032042. https://doi.org/10.1088/1742-6596/753/3/032042
• Ahmed, R., Sreeram, V., Mishra, Y., & Arif, M. D. (2020). A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization. Renewable and Sustainable Energy Reviews, 124, 109792. https://doi.org/10.1016/j.rser.2020.109792
• 国家能源局.《电力并网运行管理规定》《电力辅助服务管理办法》（国能发监管规〔2021〕61 号）. 2021 年；各区域/省级能源监管机构据此制定的《电力并网运行管理实施细则》《电力辅助服务管理实施细则》（业内俗称「两个细则」）。