geo

电力现货市场的气象账本：用功率预测支撑报量报价与偏差考核

2023-09-20 · 南京运梦科技算法团队 · 评审算法负责人

现货市场把新能源从"有多少发多少、电网兜底"的角色，推到了"先报量报价、再按偏差结算"的交易主体位置。一座光伏电站的日前申报曲线、一座风电场的实时滚动修正，本质上都是在对未来几小时到几天的天气下注。报得保守，弃掉了本可拿到高价的电量；报得激进，偏差考核又会把利润吃掉一截。这篇文章想把这本"气象账"摊开讲清楚：负荷、电价、出力这三条曲线分别被什么天气变量驱动，报量报价和偏差考核是怎么和功率预测咬合在一起的，以及如何用 ERA5 历史规律加德国气象局短期预报，把报价决策和天气风险管理做成一套可落地的工程流程。

关键要点

现货市场里的系统负荷、节点电价、场站出力三条曲线，由同一批气象变量驱动：负荷主看气温（tas）与相对湿度（hurs），出力看辐照（rsds/dni/dhi）和 100 米风速（u100/v100 派生），价格则是负荷与新能源出力差额的放大器，对天气的弹性比负荷更陡。
报量报价不是直接报功率预测点预测（P50），而是在偏差考核的惩罚结构下，对预测分布（P10/P50/P90）做期望收益最优化；当价格高或惩罚不对称时，最优申报量会系统性偏离 P50。
风电出力对轮毂高度风速近似呈三次方关系，风速预报差 1 m/s，出力误差可能放大到两位数百分比，因此风功率预测必须用 100 米风速而非 10 米的 uas/vas。
ERA5 是 ECMWF 第五代再分析，长时序、全球一致、按 CF 命名约定组织变量，用于把"过去为什么被罚"的天气规律量化成"情景—误差订正—申报偏移量"查找表，降低考核成本。
天气风险管理按预报时效分层：日前到日内（未来约 7 天）用德国气象局（dataSourceId 为 ger）预报驱动申报与滚动修正，事后用 ERA5（dataSourceId 为 era5）复盘，形成预报管敞口、再分析沉淀规律的闭环。

三条曲线，背后都是同一套天气变量

现货市场里真正决定收益的有三条曲线：系统负荷、节点电价、自家场站出力。容易被忽略的是，它们很大程度上由同一批气象变量驱动，只是传递路径不同。

负荷侧最敏感的是气温。夏季制冷负荷对气温近似呈非线性上凸关系，超过某个阈值后每升高一度，负荷增量会明显放大；冬季采暖负荷则在低温区间快速抬升。相对湿度通过体感温度进一步放大空调负荷，这也是为什么单看干球温度预测负荷往往不够，需要把 tas（气温） 和 hurs（相对湿度） 一起喂进负荷模型。

电价侧是天气影响的"放大器"。当一个区域同时出现高温（负荷高）和小风、寡照（新能源出力低），供需缺口会把现货价格顶到尖峰；反过来，大风加强辐照的午间时段，新能源集中出力会把价格压到地板价甚至负电价。也就是说，气象变量先驱动负荷和新能源出力，两者的差额再驱动价格，价格对天气的弹性比负荷本身更陡。

出力侧最直接。光伏出力跟着 rsds（地表水平短波/GHI）、dni（直接法向）、dhi（散射） 走，并受 tas 影响组件效率；风电出力对轮毂高度风速呈三次方关系，所以哪怕风速预报只差 1 m/s，出力误差也可能放大到两位数百分比，这就是为什么风功率预测必须用 u100/v100 派生的 100 米风速，而不是 10 米的 uas/vas。

报量报价：把预测分布翻译成申报曲线

报量报价不是"把功率预测的点预测直接当申报量"这么简单。点预测给的是期望值，而申报决策要的是在一条价格信号下的最优期望收益，这中间隔着两层。

第一层是预测的不确定性。功率预测输出的应该是一个分布，至少是分位数（P10/P50/P90），而不是单一数字。日前阶段预报时效长、误差大，分布更宽；临近实时（日内滚动）误差收窄，分布变窄。报量报价的核心，是在"考核规则定义的惩罚结构"下，对这个分布做期望收益最优化，而不是简单报 P50。

第二层是价格与考核的耦合。在两个细则（即并网发电厂"两个细则"）框架下，预测准确率直接关联考核费用；在现货市场里，日前申报量与实时出力的偏差还要按实时价格结算。当某时段预期价格高、且偏差惩罚不对称（少发罚得比多发狠，或相反）时，最优申报量会系统性地偏离 P50，向惩罚更轻的一侧移动。把这件事工程化，就是用历史天气-出力-价格联合分布，去标定"该报哪个分位数"的策略表。报得越接近真实分布的最优点，单位电量的考核成本就压得越低。

偏差考核：用 ERA5 把规律量化出来

偏差考核的罚款，长期看不是随机噪声，而是有结构、可被气象规律解释的。能不能把这部分结构提前识别出来，决定了一家场站的考核成本是行业平均还是显著优于平均。

这正是 ERA5 历史再分析的用武之地。ERA5 是 ECMWF 的第五代再分析，长时序、全球一致、按 CF 命名约定组织变量，非常适合做"天气情景—预测误差—考核成本"的回溯分析。务实的做法是：

把过去一到三年的实际出力、申报曲线、考核结算逐时对齐，再用 ERA5 取同期同点位的 rsds/dni/dhi/tas/hurs/sp（光伏）或 u100/v100/ws/wd（风电）。
按天气情景聚类（如"高压晴空午后""锋面过境大风""平流雾寡照"），统计每类情景下的预测误差分布与对应的考核罚款。
找出系统性偏差的天气根因。常见的有：晴空积云生消导致的辐照分钟级波动、风电爬坡事件（ramp）前后风速骤变、低温高湿下结霜或积雪压低出力等。

把这些规律沉淀成"情景—误差订正—申报偏移量"的查找表后，预测系统在判断出当前或未来处于某类高风险情景时，可以主动调整申报策略，而不是被动挨罚。ERA5 在这里的价值不在于预测未来，而在于把"过去为什么被罚"讲清楚，从而让风险管理有据可依，也让模型的再训练有干净、长时序的真值底座。

天气风险管理：从预报时效到对冲动作

把上面两件事串起来，就是一套天气风险管理流程，关键是按预报时效分层处理，不同时效用不同数据源、对应不同动作。

日前阶段（未来 1–7 天），用 德国气象局（DWD，dataSourceId 为 ger） 预报数据驱动日前申报。德国气象局预报覆盖未来约 7 天，是做日前报量报价和次日风险预案的合适输入。这一阶段重点关注极端情景的提前预警：是否有大风导致全网新能源高出力压价、是否有高温寡照导致尖峰高价，提前决定申报曲线的激进或保守基调，并对可调资源（储能、可中断负荷、辅助服务）做预案。

日内滚动阶段，随着预报时效缩短、不确定性收窄，用最新一轮 ger 预报做滚动修正，把申报量向收窄后的分布中枢靠拢，减少不必要的偏差敞口。爬坡事件的临近识别尤其重要，一次未被预警的风电爬坡，可能在十几分钟内造成大额实时偏差，远比稳态时段的小误差更伤利润。

事后复盘阶段，回到 ERA5。用再分析数据复盘"昨天那场罚款到底是预报错了、模型错了，还是策略错了"，把新的天气情景补进规律库。这个闭环跑得越勤，规律库越厚，未来同类情景下的考核成本就越低。这就是天气风险管理的复利：预报负责管住未来的敞口，再分析负责把过去的教训变成可复用的资产。

在运梦气象 API 上手

南京运梦科技的运梦气象 API 把上述两类数据统一在一个接口下：历史规律用 ERA5（dataSourceId 为 era5），短期预报用德国气象局（dataSourceId 为 ger，覆盖未来约 7 天）。两者请求体结构完全一致，便于在"预报申报—事后复盘"之间无缝切换。

接口为 POST /api/energy-weather/search/weather/action/downloadSync，请求体是 JSON，必填 timezone（时区偏移，东八区填 "8"），时间格式为 yyyy-MM-dd HH:mm。响应是统一 JSON envelope，用 resp.json() 解析后取 data 下的 timeList 与各字段数组，字段与时间一一对应。

import requests

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 fetch(data_source_id, fields, stime, etime, lat=32.03253, lon=117.35184):
    body = {
        "dataSourceId": data_source_id,   # "era5" 历史 / "ger" 德国气象局预报
        "lat": lat,
        "lon": lon,
        "stime": stime,                   # "yyyy-MM-dd HH:mm"
        "etime": etime,
        "timezone": "8",                  # 必填，时区偏移，东八区
        "fields": fields,
    }
    resp = requests.post(URL, headers=HEADERS, json=body, timeout=60)
    result = resp.json()                  # 统一 JSON envelope
    if not result["success"]:
        raise RuntimeError(result["msg"])
    return result["data"]                 # {timeList, rsds, tas, ...}

# 1) 用德国气象局预报做日前/日内报量报价（光伏辐照 + 配套气象）
fc = fetch("ger",
           ["rsds", "dni", "dhi", "tas", "hurs"],
           "2026-06-09 00:00", "2026-06-15 23:00")
print("预报点数:", len(fc["timeList"]), "首条 GHI:", fc["rsds"][0])

# 2) 用 ERA5 历史回溯同点位规律，标定偏差订正与申报策略
hist = fetch("era5",
             ["rsds", "dni", "dhi", "tas"],
             "2023-01-01 00:00", "2025-12-31 23:00")
print("历史样本:", len(hist["timeList"]), "条")

风电场景把字段换成 ["u100", "v100", "ws", "wd", "tas"]，由 100 米风分量派生轮毂高度风速再接功率曲线即可。拿到 ger 预报序列后接报量报价的分位数优化，拿到 ERA5 历史序列后做情景聚类与偏差订正，两端共用同一套字段口径，复盘到申报的链路就闭合了。

Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., 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
Eaton, B., Gregory, J., Drach, B., Taylor, K., Hankin, S., Caron, J., et al. NetCDF Climate and Forecast (CF) Metadata Conventions. CF Conventions Community. https://cfconventions.org/cf-conventions/cf-conventions.html
Zängl, G., Reinert, D., Rípodas, P., & Baldauf, M. (2015). The ICON (ICOsahedral Non-hydrostatic) modelling framework of DWD and MPI-M: Description of the non-hydrostatic dynamical core. Quarterly Journal of the Royal Meteorological Society, 141(687), 563–579. https://doi.org/10.1002/qj.2378
International Electrotechnical Commission. (2022). IEC 61400-12-1:2022 Wind energy generation systems – Part 12-1: Power performance measurements of electricity producing wind turbines (Ed. 3.0). IEC. https://webstore.iec.ch/en/publication/68499

电力现货市场的气象账本：用功率预测支撑报量报价与偏差考核

关键要点

三条曲线，背后都是同一套天气变量

报量报价：把预测分布翻译成申报曲线

偏差考核：用 ERA5 把规律量化出来

天气风险管理：从预报时效到对冲动作

在运梦气象 API 上手

收尾

常见问题

电力现货报量报价应该直接报功率预测的点预测吗？

新能源偏差考核的罚款能提前预测吗？

风功率预测为什么必须用 100 米风速而不是 10 米风速？

日前申报和事后复盘分别该用哪个数据源？

负荷预测为什么要同时用气温和相对湿度？

参考与延伸阅读

相关阅读