管理预报准确性预期

概述

预报是预测不同预报视界内太阳辐照、光伏或风能输出以及气象参数的过程。结果是时间序列数据——一组带有所需分辨率和相应预测值的时间戳。

尽管期望很高，预测仍是一个充满挑战且复杂的领域。预报准确性由多种因素共同决定，包括季节性天气变异、特定地点的气候和地理特征、预报视界以及数值天气预报（NWP）模型固有的局限性。理解这些因素对于设定现实的准确性期望以及预报数据提供商与光伏电厂运营商之间的有效沟通至关重要。

注意：不存在每天提供高度准确预测的预测模型。预报准确性应始终在足够长的时间内进行评估——理想情况下是整整一年——以涵盖所有季节性模式并提供统计上可靠的结果。

季节性如何影响预报准确性

季节显著影响光伏发电预测的准确性。季节性天气模式在云量、湿度、温度及其他直接影响太阳辐射水平的大气条件上有所不同。例如，夏季通常天空晴朗，阳光稳定，而秋季和冬季则云层、降雨和雾气更频繁。

NWP模型通常在稳定天气条件下表现更好，在快速变化的天气条件下表现较差。以下示例展示了2023年四个不同月份中四个不同月份的预报准确性变化。

留尼汪岛

留尼汪岛的天气模式全年变化不大。一年分为两个季节：11月至4月为较温暖且湿度较高的时期，5月至10月为较为清新干燥的时期。季节间在温度、湿度、云量或日照强度上没有显著差异。因此，大多数月份的预报准确预期相对一致。

图1：预报偏差的季节性——留尼汪岛（光伏发电量，2023年）。每月平均绝对偏差[kWh]。

中墨西哥

墨西哥中部属于热带气候。雨季通常从晚春（5月至6月）持续到初秋（9月至10月）。其余时间则更热，白天阳光充足。由于天气变化更频繁且不可预测，雨季预报准确性预计会下降。

图2：预测偏差的季节性——墨西哥中部（光伏发电量，2023年）。每月平均绝对偏差[kWh]。

法国南部

法国南部有四个明显的季节。夏季（6月至8月）以日照时间长、晴朗的天空和极少的降雨为特征——这些条件支持了高预报准确性。秋冬季节（9月至2月）降雨增加，天气不稳定，增加了预报不确定性。春季（3月至5月），降雨减少，天气稳定改善，这对预报表现产生积极影响。

图3： 预报偏差的季节性——法国南部（光伏功率输出，2023年）。每月平均绝对偏差[kWh]。

中越

在越南中部，雨季——包括偶尔的台风和热带风暴——从九月持续到十二月。旱季则为1月至8月，天气较为稳定。十月和十一月的预报不确定性最高，主要由快速变化的天气模式驱动，晴朗的天空可能在几分钟内转为强降雨。此类条件是天气预报模型面临的最大挑战。

图4：预测偏差的季节性——越南中部（光伏发电量，2023年）。每月平均绝对偏差[kWh]。

预报的挑战

天气预报模型面临的最大挑战之一是准确预测天气模式变化的确切时刻。在日常情境中，云到达时一小时的时序误差可能被忽视。然而，在光伏电力预测中，同样的错误可能带来重大的财务后果。向配电系统运营商（DSO）或输电系统运营商（TSOs）提供发电预测的光伏电站运营商，可能因预测不准确而面临经济罚款。

对于所有现有预测模型来说，预测天气变化的精确时间都很难，尤其是在较长的预报视野下。以下示例展示了预测视野在24至48小时内的当天预报。

示例：正确的震级，时序偏移

在这种情况下，NWP模型正确预测了光伏功率输出的突然下降甚至其规模。然而，降级时间比预测晚了大约一小时，导致预报偏差大幅增加100兆瓦，时间为11：30。预报是在前一天6：00发布的——这意味着模型需要提前大约30小时预测该事件。

图5：西北太平洋日前预测与参考——光伏功率输出。准确预测的功率下降比预测晚了大约一小时，导致11：30偏差约100兆瓦。

示例：正确时机，跌幅比预测更陡峭

这里，NWP模型正确预测了光伏功率输出的下降，但实际上下降是在一小时后开始的，且比预测更陡峭。虽然当天的整体准确性尚可接受，但14：30的预报偏差超过了100%。当时的预报视界近33小时。

图6：西北太平洋日预报与参考——光伏功率输出。实际功率下降比预测更陡峭，大约在一小时后开始，导致14：30时偏差超过100%。

示例：天气变化多端且时间偏移

当天，晴天与阴天交替出现，形成了波动的光伏电力输出曲线。NWP模型正确预测了整体的上下波动模式，但预测与现实之间的时间差导致了正负预报偏差。6：00至18：00之间的平均绝对偏差约为25兆瓦，预测时间范围为24至36小时。

图7：NWP日前日预报与参考——光伏功率输出。天气变化导致正负预报交替偏差，6：00至18：00间平均绝对震级为25兆瓦。

预报视野与不确定性

预报视界直接影响光伏发电输出预测的准确性。较短的预报周期通常能带来更高的准确性，因为天气状况发生不可预测变化的时间更短。在较短时间内，大气条件更稳定，因此更可预测。

对于较长的预报期，准确性下降，因为大气是一个混沌系统——初始条件中的小误差会随着时间呈指数增长。即使是最先进的NWP模型，在预测天气时也存在局限性，无法在几天之后可靠预测天气。

下表展示了六个预报时间（交期）范围内的光伏发电输出预测准确度，时间范围从一小时内（H0）到两天前（D2），针对三个示例地点。数据代表2022年和2023年的平均值。

注意：对于所有示例位置，预报准确性会随着预报视界的延长而下降。

表1 — 布拉迪斯拉发，斯洛伐克，欧洲

表2 — 南非约翰内斯堡，非洲

表3 — 新加坡，亚洲

具体地点

光伏电站的位置显著影响预报准确性。气候、地理和环境因素都影响了局部太阳辐射的可预测性。

气候条件

天气模式稳定且可预测的地区——如天空始终晴朗的沙漠——往往能获得更准确的光伏发电预测。太阳辐照度的变异性较低，使预报过程更加简单。天气高度多变的地区，如频繁出现云层变化、风暴或快速大气变化的地区，带来了更大的挑战。沿海地区或季风季节的地区可能经历快速且不可预测的变化，直接影响太阳辐照度。

地理特征

地形是一个重要因素。山区通过地形效应形成复杂的天气模式，上升和冷却的空气导致云层形成，云层覆盖发生更频繁且突然的变化。这些条件降低了预报的准确性。平坦地形，如平原，通常气候模式更稳定且可预测，支持更准确的预报。

环境因素

靠近大面积水体会产生特定现象——如湖效应云或海岸雾——这些现象难以准确预测，可能导致太阳辐照度的突然变化。茂密的森林影响局部湿度和温度，导致局部云层形成和难以预测的天气模式。相反，植被稀疏的干旱地区天空更为晴朗，使太阳辐照度更可预测，提高预报准确性。

以下示例比较了两个截然不同地区的预报准确性：新加坡（天气多变，降雨充足且雷暴频繁）和迪拜（相对稳定，降雨量极少，尤其是夏季）。数据代表2022年和2023年的平均值。

表4 — 新加坡，亚洲

表5 — 阿拉伯联合酋长国迪拜

比较两地的偏差、平均偏差和RMSD百分比值，证实迪拜的预报准确率明显优于新加坡。这一差异反映了迪拜站点较为稳定的天气，也显示了当地气候对预报表现的强烈影响。

天气变化日的可接受预报准确性

“可接受预报”是一个相对术语，取决于天气变异、预报视野以及评估者的视角。在天气模式发生突发且频繁变化的日子——以参考光伏功率输出的剧烈起伏可见——需要使用NWP模型以高精度预测每次变化的确切时刻。这本身就很有挑战性。

实际上，NWP模型通常在此类日子产生平滑预报，产生围绕实际输出的正负偏差。然而，如果预测与实际光伏功率的每日总和大致相等，许多预报领域专家会认为结果是可接受的——尤其是对于视野范围为24至48小时的当天预报。

图8： 西北太平洋日预报与参考——天气变化日的光伏发电量。模型提供了平滑预报，而实际产出则大幅波动。预报和参考的每日总量大致相同。

连续日的预测不准确

当预报连续几天表现不佳时，光伏电站运营商通常会强烈反应。当财务处罚与预测准确性挂钩时，即使一两天的表现不佳也可能引发投诉。然而，从预测领域的角度来看，从如此短的时间内得出结论在统计上并不具有一定意义。

光伏发电量高度依赖于天气状况，而天气本身是多变且不可预测的——尤其是在较长的预报期内。突发天气事件，如意外的云层或风暴，会显著影响孤立日子的准确性，而无法反映整体模型质量。预测表现应在更长时间内进行评估，以获得可靠的全貌。即使是最好的模型，由于大气动力学的复杂性，有时也会得出较不准确的预测。

重要提示：仅用一两天来评估预测表现并不具有统计学意义，可能导致不切实际的准确性预期。建议最低评估期为一年。

预报准确性评估

设定现实的预报准确性期望需要对历史预测和参考数据进行深入分析。至少，必须考虑以下因素：

• 季节性和季节。

• 时间点。

• 预报期限（前置时间）。

• 特定地区的气候和地理。

• 评估期的长度。

理想情况下，应使用一整年最新的可用数据。较短的月份——如单个月份——可能无法涵盖所有季节性天气模式。极短的时间段——几天或几周——由于样本量不足，可能导致误导性结论。

预报视野是一个关键考虑因素。随着视界的延长，准确性通常会下降，因此必须相应校准期望。例如，两小时预报（H2）的准确预期必须与两天预报（D2）的预期不同。合理校准的期望可以防止预报数据提供商与光伏电厂运营商之间的误解。

预测产品的背后原理

最终的预报产品看起来很简单：一个时间序列，包含请求的分辨率和相应的预报值。然而，这种输出背后的过程很复杂。在预测时间序列交付之前，必须下载大量数据，进行预处理、转换、计算、加权和后处理。

最终成果是多种预报模型的结合——包括云运动矢量（CMV）模型和多个数值天气预报（NWP）模型。这些组合并非静态;它们因地点、季节、预报范围和数据分辨率而异。所有预报数据源都在不断演变，配套基础设施必须适应现场的快速发展。

预测准确性持续提升，但所有预测模型在设定准确率期望时都必须考虑固有局限性。预测是一个复杂的领域，预报数据提供者的主要目标是在科学当前状态下，尽可能提供准确的输出。

延伸阅读

• 运营与历史预报

• 监测与预报数据来源

• 预报数据验证

• 评估预报准确性——最佳实践