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

摘要：风电短期功率预测的核心是把全球数值预报模式（NWP）的 100m 风速场，逐级映射到具体风机塔筒高度、再经过功率曲线、最后聚合到场站出力。本文按工程链路顺序拆解：① NWP 选型 → ② 高度修正 → ③ 复杂地形降尺度 → ④ 功率曲线建模 → ⑤ 实测同化 → ⑥ 偏差订正 → ⑦ 场站聚合，每一步给出常见踩坑与 ROI 排序。

关键要点

• 风电短期（0-72h）预测的工程链路是「NWP 100m 风速 → 高度修正 → 复杂地形降尺度 → 功率曲线 → 实测同化 → 偏差订正 → 场站聚合」，每一步都引入误差。
• 短期 24h nRMSE 在实际项目工程样本中常见中位约 12%-15%，NWP 通常是最大误差来源；这是脱敏工程口径，不是公共行业基准。
• NWP 选型上首选精度高的全球数值预报模式（ECMWF-HRES 在大多数区域优于 GFS）；平坦地形用 100m 风速加高度修正即可，复杂地形（山地、丘陵、近海岸）才需要 WRF 等动力降尺度兜底。运梦气象 API 现阶段以德国气象局（ger）为主预报源。
• 实测同化对 0-12h 增益最大，4-12h 滚动残差常见可压 0.5-1.0pp，超过 12h 显著衰减；功率曲线必须先剔除限电、检修、故障样本再拟合。
• 按 ROI 排序，换用高精度 NWP（如 ECMWF-HRES 替代 GFS）与实测同化（滚动残差）性价比最高，WRF 降尺度成本高、仅在误差有稳定空间结构时才值得投入。

1. 全链路总览

全球 NWP (ECMWF-HRES, ~9 km, 100m 风速)
       ↓ 时空插值 / 二次曲线高度修正
单点 100m 风速
       ↓ WRF / RegCM 动力降尺度（复杂地形）
风机轮毂高度风速 (80m / 100m / 120m)
       ↓ 功率曲线 (manufacturer + 机舱实测拟合)
单机功率
       ↓ 场站聚合（尾流损失 + 限电 + Availability）
场站出力 → 上报调度

每一步都引入误差。在实际项目工程复盘中，短期 24h nRMSE 常见中位约 12%-15%，其中 NWP 往往是最大误差来源，剩余误差分摊到地形、功率曲线、聚合损失等环节。这些数值是工程样本口径，不是公共论文基准。

口径说明：本文所有 nRMSE / pp 数字来自实际项目工程的脱敏复盘，仅用于解释工程优先级；站点地形、装机规模、限电 / 检修样本剔除、归一化口径和天气年份都会改变结果，不作为公共行业基准或验收承诺。

2. NWP 选型

短期风电预测在 NWP 选型上首选精度高的全球数值预报模式（ECMWF-HRES vs GFS 对比）。在实际项目工程的平坦地形样本中，ECMWF-HRES 的 100m 风速预报技巧通常更稳，但优势幅度需由场站回测确认；复杂地形上两者都需要动力降尺度兜底。

运梦气象 API 口径：现阶段以德国气象局（dataSourceId: "ger"）为主预报源，下方取数示例已反映此口径。对 NWP 数据有自行订阅能力的团队，上述选型建议同样适用。

选 NWP 不能只看“哪个模式更准”，还要看它能不能稳定喂给生产链路。风电短期预测一般需要每天滚动更新，调度侧关心的是未来 0-72h 的连续曲线，所以数据源至少要满足四个条件：

1. 起报稳定：00/06/12/18 UTC 等主起报能稳定到达，缺报时有降级方案。
2. 时效可覆盖：短期预测至少覆盖未来 72h，最好保留到 120h 便于中期衔接。
3. 关键字段齐全：100m 风、10m 风、2m 气温、气压、降水和地表粗糙度相关字段越完整，后续偏差订正越容易。
4. 时空插值可追溯：每一次预测都要能追溯到具体起报时次、网格点、插值方法和版本，方便复盘误差。

一个生产请求通常会先把 NWP 数据标准化成统一的站点时序：

{
  "siteId": "wind-farm-a",
  "forecastRun": "2026-06-03T00:00:00Z",
  "source": "ger",
  "horizonHours": 72,
  "fields": ["u100", "v100", "uas", "vas", "tas", "sp"],
  "interpolation": "bilinear",
  "timezone": "Asia/Shanghai"
}

拿到数据后，第一步不是建模，而是做质量检查：看起报是否延迟、时间戳是否连续、风速是否出现物理不可能值、单位是否统一、站点经纬度是否落在正确网格附近。这些基础检查比复杂模型更能减少线上事故。

3. 高度修正

NWP 输出常见高度是 10m / 100m，但风机轮毂高度可能是 80m / 90m / 110m / 130m，需要做高度修正。

3.1 对数律（中性大气稳定度）

v(h) = v(h_ref) · ln(h / z0) / ln(h_ref / z0)

• z0 地表粗糙度长度，戈壁 ~0.005m、农田 ~0.05m、林地 ~0.5m、城市 ~1m
• 误差：晴空 / 中性大气下 < 5%；强对流、稳定夜间偏差可达 15%

3.2 幂律

v(h) = v(h_ref) · (h / h_ref) ^ α

• α 风切变指数，常用 0.14（开阔陆地）/ 0.10（海面）/ 0.20（市区）
• 工程上更省事，但物理意义弱于对数律

3.3 Monin-Obukhov 相似理论

考虑稳定度的高度修正，精度最高但工程门槛高。新能源短期预测一般用对数律或幂律即可。

工程上最容易踩坑的是把高度修正当成一个固定公式。实际风场会受到昼夜稳定度、地表粗糙度、山谷风和海陆风影响，同一台机组白天和夜间的切变指数可能完全不同。更稳的做法是：

• 平坦陆上风场：先用幂律或对数律作为基线，再用 SCADA 历史样本拟合分时段修正项。
• 近海 / 海岸风场：单独处理海陆风和岸线粗糙度突变，避免把陆上参数直接搬到海上。
• 山地风场：不要过度相信单点高度修正，先判断是否需要中尺度或 CFD 降尺度。

上线前建议至少做一张“高度修正前后散点图”：横轴是 NWP 100m 风速，纵轴是机舱或测风塔轮毂高度风速。如果修正后散点斜率更接近 1、低风速段不被系统性抬高，才说明这一步是有效的。

4. 复杂地形动力降尺度

平坦地形（戈壁、内蒙古草原、沿海风场）：直接用 NWP 100m 风速 + 高度修正即可。

复杂地形（山地、丘陵、风口、近海岸）：NWP 9 km 分辨率严重平滑掉地形效应，必须降尺度。

主流做法：

1. WRF：把 ECMWF 当边界条件，跑 WRF 0.5-3 km 分辨率，逐场站定制
2. RegCM / MesoNH：与 WRF 类似，开源选项
3. CFD 类（OpenFOAM）：极端复杂地形，工程化成本高，仅推荐重要场站

WRF 一次跑 24h 预报、3 km 分辨率、200 × 200 km 网格，单机 8-16 核约 30 分钟。生产环境用 HPC / 云原生集群并行。

是否上 WRF 不应按“复杂地形”四个字拍脑袋，而应先看误差是否具有稳定空间结构。如果同一片山脊背风侧长期低估、风口长期高估，并且误差和风向强相关，说明全球模式分辨率已经平滑掉地形效应，动力降尺度才有投入价值。反过来，如果误差主要来自限电、检修、通信中断或功率曲线偏差，先上 WRF 只会增加成本。

生产中常见的折中方案是“两层模型”：全球 NWP 负责全量日常出报，复杂地形或关键交易日才触发高分辨率降尺度。这样可以把算力花在最需要的时段，而不是每个场站、每个起报都跑重模型。

5. 功率曲线建模

风机厂家提供 IEC 61400-12-1 标准功率曲线，但实际项目工程样本中的实测功率曲线常与厂家曲线偏差 5-15%（受地形、湍流、湿度、空气密度影响）。

5.1 厂家曲线 + 空气密度订正

P_actual(v) = P_iec(v) · ρ_actual / ρ_standard

简单可用，误差约 5%。

5.2 实测拟合（SCADA 数据）

把场站每分钟 SCADA 数据按风速 bin 做平均 → 拟合 piecewise-linear 或 logistic 曲线。前提：剔除限电、检修、故障样本。

SCADA 样本筛选决定功率曲线是否可信。最基本的清洗规则包括：

• 剔除限电、停机、检修、通信异常和明显冻结值；
• 剔除风速为 0 但功率非 0、功率为负或超过额定功率过多的异常点；
• 按机型、风机编号、季节或空气密度分组，避免把不同机组混成一条曲线；
• 对切入风速、额定平台和切出风速分别检查，不要只看整体 RMSE。

5.3 机器学习功率曲线

XGBoost / LightGBM 把 (风速, 风向, 气温, 湿度, 紊流强度) 作为输入预测功率，能拟合非线性高阶效应。需要 ≥ 6 个月历史数据 + 干净的样本筛选。

机器学习功率曲线适合处理“厂家曲线解释不了”的残差，但不适合替代物理常识。一个可控的做法是先用厂家曲线或实测 bin 曲线生成基线功率，再让模型学习残差：

P_final = P_curve(v_hub, air_density) + ML_residual(features)
features = [v_hub, wind_dir, temperature, pressure, hour, season, availability_flag]

这样做的好处是模型不会在样本不足时胡乱外推。低风速、额定平台和极端高风速段仍由物理曲线兜底，机器学习只负责修正系统性偏差。

6. 实测同化（在线偏差订正）

NWP 与场站实测之间永远存在系统偏差，可通过滚动同化压缩：

• 简单方法：滚动 24h 残差的均值修正下一时段预测
• 卡尔曼滤波：状态空间方程动态估计偏差
• 机器学习：把过去 N 天的 (NWP, 实测) 对训练 LightGBM 模型，online inference

实测同化对 0-12h 内的预测帮助最大，超过 12h 后增益显著衰减。

实际落地时，同化模块要避免“把异常当趋势”。如果前一小时场站突然限电，直接把实测残差滚到未来 12h，会把正常出力也压低。生产系统通常要先判断残差来源：

同化窗口也不是越长越好。窗口太短会追噪声，窗口太长会把过期天气形势带进当前预测。在实际项目工程中，通常会把 4h、8h、12h 三个窗口并行评估，再按场站特性选一个默认窗口。

7. 场站聚合

单机功率 → 场站出力还要考虑：

1. 尾流损失：上游风机使下游风机风速降低 5-15%，按 Jensen / Frandsen 模型估计
2. 限电：电网调度指令强制压发，预测算法无法预知 → 单独建限电预测分支
3. Availability：机械故障、检修 → 历史可用率拟合
4. 集电线 / 变压器损耗：~ 1-3%

场站聚合不是简单相加。大场站内部可能跨越多个山脊、多个机型和多条集电线，单机预测误差会在空间上相关。如果所有风机都用同一个网格点、同一条功率曲线，预测曲线往往会过于平滑，爬坡和掉电都被低估。

更稳的聚合方式是先按机组分组：同机型、同地形暴露、同并网分支的风机放在一个 group 内。每个 group 单独做 NWP 插值、功率曲线和 availability 修正，最后再聚合到场站出力。这样可以保留局地差异，也方便定位某个分组长期偏差。

8. 上线验收与监控

模型训练完成并不等于可以上线。风电预测的生产系统至少要有三类验收：

1. 离线回测：按历史起报时间重放 NWP，禁止使用未来实测泄漏；同时报告 nRMSE、MAE、合格率和爬坡识别。
2. 影子运行：新模型先不参与调度上报，只和现网模型并行跑 2-4 周，比较不同天气型下的稳定性。
3. 线上监控：监控缺报、延迟、异常值、合格率、连续偏差和大误差事件，发现数据源异常时自动切换降级策略。

一个最小可用的监控面板应包含：

只有当离线回测、影子运行和线上监控三件事都闭环，风电短期预测才算从算法原型进入生产系统。

9. 优化路径（按 ROI 排序）

以下是在实际项目工程样本中把 nRMSE 从 14% 压到 11%（提升 3pp）的成本回报排序，实际增益需以目标场站回测为准：

10. 常见踩坑

踩坑 1：在一个典型平坦地形样本中，直接用 GFS 100m 风速 + 厂家功率曲线，nRMSE 可能明显偏高；换 ECMWF + 实测同化后通常会改善。这个例子用于说明误差链路，不应外推为所有场站承诺。

踩坑 2：把限电样本一起塞进训练集，模型学到「限电期间风速大也只发一点点」，导致非限电期严重低估。永远先剔除限电样本。

踩坑 3：复杂地形场站用平坦地形参数（z0、α），偏差不可控。

踩坑 4：高度修正用幂律 α = 0.14 默认值不区分昼夜稳定度，夜间偏差可能 15%+。

11. 与两个细则考核的关系

两个细则对短期（0-72h）风电的合格率门槛与光伏类似（详见光伏功率预测准确率）。风电的合格率门槛通常比光伏宽松，但绝对误差受地形影响更大。

12. 常见问题

Q1：风电预测是否一定要 WRF？ A：平坦地形不必，ECMWF 100m 风速 + 高度修正足够。复杂地形（山地、丘陵）建议 WRF；近海岸 5-10 km 内也建议。

Q2：实测同化能用到什么程度？ A：在实际项目工程样本中，4-12h 滚动同化常见可压 0.5-1.0pp nRMSE，超过 12h 增益衰减；24h 之外通常接近归零。

Q3：风电场建好不到 6 个月，没历史数据怎么办？ A：用厂家功率曲线 + 邻近场站的偏差订正作为先验；6 个月后切换到本场站实测拟合。

Q4：风电预测能不能不依赖 NWP？ A：< 3h 内可以用纯实测 + 持续法 + 云图，3h 之外离了 NWP 没法做。

13. 引用与参考

• IEC 61400-12-1《Wind energy generation systems – Part 12-1: Power performance measurements of electricity producing wind turbines》, International Electrotechnical Commission.
• Jensen, N. O. (1983). A note on wind generator interaction. Risø-M-2411, Risø National Laboratory.
• Frandsen, S. (2007). Turbulence and turbulence-generated structural loading in wind turbine clusters. Risø-R-1188(EN), Risø National Laboratory.
• Monin, A. S., & Obukhov, A. M. (1954). Basic laws of turbulent mixing in the surface layer of the atmosphere. Trudy Geofiz. Inst. AN SSSR, 24(151), 163–187.
• Skamarock, W. C., et al. (2021). A Description of the Advanced Research WRF Model Version 4. NCAR/TN-556+STR. DOI: 10.5065/1dfh-6p97
• Lac, C., et al. (2018). Overview of the Meso-NH model version 5.4. Geoscientific Model Development, 11, 1929–1969. DOI: 10.5194/gmd-11-1929-2018

14. 下一步

• 接入风电功率预测的工程化能力？看风电功率预测产品页。
• 风电场端到端解决方案？看风电方案页。
• 想理解 NWP 选型基础？看ECMWF vs GFS 对比。

免费试用 →