两个细则与考核
运梦气象 API 工程博客「两个细则与考核」专题，汇集两个细则下功率预测准确率、上报合格率与考核电量的工程化拆解与达标策略。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。
气象大数据风电弃风与气象预报：国际经验综述与中国场景
解读 Bird 等在 Renewable and Sustainable Energy Reviews 2016 发表的弃风国际综述：中美德丹等主要市场的弃风率成因，以及如何用德国气象局预报提升日前出力计划精度、结合 ERA5 历史数据优化储能调度降低弃风损失。
气象大数据气象数据工程化最容易踩的五个坑：命名、单位、时区、缺测与数组对齐
做新能源功率预测时，气象数据最容易在变量命名、单位换算、时区对齐、缺测处理和 JSON 数组对齐这五处悄悄出错。本文逐一拆解 CF 名 vs GRIB 名、K↔℃、J·m⁻²↔W·m⁻²、timezone 必填等坑，并给出运梦气象 API 可运行示例。
气象大数据光伏功率预测准确率怎么算 — RMSE/MAE/MAPE 与工程样本
从光伏功率预测的物理链路讲起，定义 RMSE/MAE/MAPE/SkillScore 等准确率指标，给出实际项目工程中短期（24h）/ 超短期（4h）/ 中期（72h）三种预测时长的实测基线分布，附 Python 评估代码与自绘的准确率分布图。
气象大数据两个细则准确率考核怎么过：ERA5回测+德国气象局预报降考核电量实战
面向新能源场站，逐条拆解国家两个细则功率预测准确率考核口径、短期与超短期合格率及分段罚款机制，并给出用 ERA5 历史回测做系统偏差订正、用德国气象局预报压低考核电量的可落地方法与运梦气象 API 调用示例。
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。