数值预报与集合
运梦气象 API 工程博客「数值预报与集合」专题，汇集ECMWF、GFS 等数值天气预报与集合预报在短期、超短期功率预测中的应用与不确定性量化。覆盖 ERA5 历史再分析、德国气象局短期数值预报与光伏、风电功率预测的工程落地，服务新能源研发与算法团队。
气象大数据海上风资源的再分析评估方法与实战：从 ERA5 到 NEWA
解读 NEWA 新欧洲风图谱两篇 GMD 论文与 ERA5 海上适用性：ERA5 在高桅杆评测下年均风速偏低约 1.5 m/s、强风段近岸系统性低估，WRF 中尺度降尺度把偏差压到接近零，并给出运梦气象 API 的可运行下载示例。
气象大数据CMIP6 × ERA5：从历史校准到未来气候情景
解读 Eyring 等 GMD 2016 CMIP6 实验设计：DECK 四张入场券、1850–2014 历史模拟、SSP 情景与约 50 个建模组的协作框架，并讲清如何用 ERA5 做历史校准、把气候情景接到风电光伏长期评估。
气象大数据ECMWF 集合预报系统（ENS）在可再生能源中的应用
解读 Buizza 等在 Monthly Weather Review 2005 发表的全球集合预报系统比较论文：ECMWF ENS、加拿大 MSC 与美国 NCEP 的初始扰动方案、集合配置与预报技巧对比，及集合预报在风光功率不确定性量化中的工程价值。
气象大数据风电功率概率预测：Pinson 2013 运营挑战综述
解读 Pinson 在 Statistical Science 2013 发表的风电功率预测综述：从点预测到概率预测（分位数回归、预测区间、密度预测）的演进，评分规则 Pinball Loss 与 CRPS，以及集成预报在新能源调度决策中的框架。
气象大数据电力负荷预测里的气象输入与温度敏感度
解读 Hong & Fan 概率负荷预测综述：温度与负荷的非线性关系、HDD/CDD 度日定义、recency 滞后温度效应，并给出在运梦气象 API 用 era5 回测、ger 预报取气温的可运行示例。
气象大数据风电功率预测方法全景 — Foley 2012 综述精读
解读 Foley 等在 Renewable Energy 2012 发表的风电功率预测综述：物理方法、统计方法与混合方法的分野，NWP 作为预测核心驱动、持续法基准与时间尺度划分，并结合运梦气象 API 说明工程落地路径。
气象大数据极端天气下的风光出力冲击与运行预案：ERA5 复盘 + 德国气象局预警实战
面向新能源算法与运营团队：用运梦气象 API 的 ERA5 历史数据复盘寒潮、台风、连续阴雨、无风小风四类极端事件对风光出力的冲击，用德国气象局预报提前预警，量化发电量与电网偏差并给出可落地的运行预案与 Python 示例。
气象大数据分位数映射偏差订正：再分析数据落地必修课
解读 Cannon、Sobie、Murdock 在 Journal of Climate 2015 的分位数映射偏差订正论文，并引 Maraun 2016 综述：讲清 QM、DQM、QDM 的机制与边界，映射到风电光伏功率预测如何用再分析做偏差订正。
气象大数据WRF 动力降尺度：复杂地形风电的气象增强
解读 WRF 模式权威文献（Powers 等 2017 BAMS 与 Skamarock 等 2021 NCAR 技术报告），讲清动力降尺度如何把粗网格再分析细化到复杂地形百米级风场、它的灰区局限，以及如何映射到运梦气象 API 的风电选址与功率预测上手路径。
气象大数据FengWu 风乌解读：把中期预报技巧推过 10 天
解读上海人工智能实验室 FengWu（风乌，arXiv 2023）：多模态多任务架构、0.25° 网格、37 层、39 年 ERA5 训练，首次把 z500 有效预报技巧推到 10.75 天，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据风电短期功率预测链路 — 从 100m 风速到出力曲线的工程化拆解
风电短期 (0-72h) 功率预测的完整工程链路：NWP 选型、100m 风速到塔筒高度的高度修正、功率曲线建模、复杂地形动力降尺度、实测同化与机器学习偏差订正。给出常见踩坑与 ROI 排序的优化路径。
气象大数据ECMWF AIFS 解读：业务级数据驱动预报系统
AIFS 是 ECMWF 的数据驱动预报系统（arXiv:2406.01465），确定性版 2025 年 2 月、集合版 7 月相继业务化。本文解读其 GNN+Transformer 架构、ERA5 训练与多项核实数字，及对风电光伏功率预测的意义。
气象大数据FuXi 解读：级联机器学习把全球预报推到 15 天
解读复旦团队 FuXi（npj Climate and Atmospheric Science 2023）：三段级联（短/中/长）U-Transformer、0.25° 网格、39 年 ERA5 训练，15 天预报技巧比肩 ECMWF 集合均值，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据NeuralGCM 解读：物理与机器学习混合的气候模式
NeuralGCM（Nature 2024，Google Research）把可微分动力核与神经网络参数化结合，1–15 天预报对标 ECMWF-ENS，气候积分可稳定数十年。本文解读其混合架构、评测口径，及对新能源功率预测与资源评估的意义。
气象大数据ECMWF-HRES vs GFS — 新能源场景下两个全球预报模式怎么选
ECMWF-HRES 与 NOAA GFS 是两个最常被新能源行业拿来对比的全球数值预报模式。本文从模式分辨率、物理过程、预报技巧、字段完整度、数据访问政策与中国区表现五个维度做技术普及对比，结论是「运梦气象 API 现阶段以德国气象局为主预报源」。
气象大数据WRF-Solar：面向光伏功率的太阳能专用数值预报
解读 Jimenez 等在 BAMS 2016 发表的 WRF-Solar：首个面向太阳能预测增强的数值天气预报模式，强化气溶胶-辐射-云的相互作用与快速辐射更新，直接输出 GHI/DNI/DHI，并说明它与运梦气象 API 辐射数据的关系。
气象大数据GenCast 论文解读：扩散模型如何把 AI 气象推向概率预报前沿
Nature 2024 的 GenCast 由 Google DeepMind 团队提出，把扩散模型适配到地球球面几何，生成 15 天集合概率预报，并在多数指标上优于 ECMWF ENS。本文解读其方法、数据与结论，并梳理对风电光伏资源评估、功率预测与 ERA5 历史气象数据使用的意义。
气象大数据Pangu-Weather 解读：3D 神经网络如何重塑中期全球天气预报
解读华为云 Pangu-Weather（Nature 2023）：3D Earth-Specific Transformer 与分层时间聚合、39 年逐小时 ERA5 训练、约 2.56 亿参数，推理较传统 NWP 提速约一万倍，并映射到运梦气象 API 的 ERA5 与德国气象局双数据源落地。
气象大数据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
按时效拆解新能源功率预测的方法选型：超短期(≤4h)靠实测外推与爬坡识别，短期(~3天)靠德国气象局(ger)数值预报加实测在线订正，中期(~10天)输出趋势与可信区间，并附运梦气象 API 取数示例。
气象大数据GraphCast 解读：图神经网络改写中期天气预报，对新能源的意义
GraphCast（Science 2023，Google DeepMind）以图神经网络在 1 分钟内输出未来 10 天全球预报，多数指标超越 ECMWF-HRES。本文解读其方法、ERA5 训练与评测口径，及对新能源资源评估与功率预测的意义。
气象大数据数值天气预报的安静革命 — Bauer 2015 Nature 综述
解读 Bauer、Thorpe、Brunet 在 Nature 2015 发表的数值天气预报综述：预报技巧每十年提升约一天、NWP 作为初值问题、资料同化与超算的协同，以及它对新能源功率预测数据底座的意义。