收益：
- 了解太阳能和风能发电量随气象变化的变化及其预测对电网平衡的重要性。
- 能够结合数字天气预报、卫星和现场数据创建人工智能预报工作流程
- 能够利用物理上限、容量系数和实际数据验证生产预测
当运营商要求时，燃煤或天然气发电厂以一定的功率运行；生产可以控制。太阳能和风能则不然：当太阳变得阴天时，电池板产量就会减少，而当风停止时，涡轮机就会停止。这种类型的生产称为可变可再生能源；生产取决于气象，而不是人的意志。这种变化对电网稳定性既带来了巨大的机遇，也带来了巨大的挑战。可再生能源产量预测是预测太阳能和风力发电厂未来产量的任务，是现代能源系统发展最快的分析领域之一。在本单元中，我们将学习该预测的物理原理，以及如何利用人工智能建立和验证该预测。
为什么它如此重要？
随着太阳能和风能在电网中所占份额的增加，这些资源将产生“多少以及何时”的问题成为决定整个系统的问题。如果没有良好的发电量预测，电网就被迫保留额外的备用容量（通常价格昂贵且富含碳），以弥补可再生能源发电量的突然下降。准确的预测可以降低成本和排放；它还使发电厂所有者能够在市场上更好地竞标。换句话说，预测误差直接转化为金钱和碳。
太阳能和风力发电物理学
太阳。光伏（PV；将光直接转化为电能）面板产生的电力主要取决于落在其上的辐射（辐照度；单位面积的太阳能，W/m²）。除此之外，面板温度（效率随着面板升温而降低）、灰尘/污染物和阴影也会对其产生影响。太阳能发电的最大特点是其可预测的昼夜模式：夜间为零，早晨最高，中午左右达到峰值，晚上为零。云量是叠加在该图上的噪声，是预测困难的主要来源。
风。涡轮机产生的功率大约与风速的立方成正比，因此当速度加倍时，功率大约增加八倍。因此，风速预报的微小误差就会导致生产上的较大误差。涡轮机还具有功率曲线：低于特定速度（切入速度）产量为零，高于特定速度（额定速度）产量稳定，在非常高的速度（截止速度）时涡轮机出于安全原因停止。这种非线性关系使得风力预报比太阳能预报更加困难。
提示：由于风速误差会产生影响，因此在评估产量预测时首先查看风速预测的质量。用错误的速度预测来建立良好的生产预测几乎是不可能的。
一步一步：利用人工智能进行生产预测
步骤 1 — 收集输入数据。基本输入是数值天气预报（NWP；通过解决大气物理学产生的天气预报）：辐照度、温度、风速和风向的估计。发电厂的实际生产历史以及（如果可能）卫星/地面观测数据都将添加到其中。
第 2 步 — 设置属性。天气预报变量、太阳能几何变量（太阳在天空中的角度）、风力涡轮机功率曲线信息以及延迟发电属性。同样，泄漏控制：仅使用预测时可用的数据。
第 3 步 — 训练模型。该模型将天气预报与实际生产联系起来。在这里，人工智能既学习面板/涡轮机的实际行为（与目录值的偏差），又捕获局部效应（例如特定风向的地形效应）。
第 4 步——建立不确定性模型。可再生能源预测本质上是不确定的；概率估计（例如“80% 的概率产量在该范围内”）比单个数字更有用。
第 5 步 — 验证。该预测是根据物理上限和实际产量进行测试的。
验证：物理锚点
可再生能源产量预测可以通过强大的物理锚点进行测试：
- 太阳能的绝对上限：夜间发电永远不可能为正值，也不能超过安装功率（以及当前辐射允许的功率）。这一单一检查立即消除了愚蠢的猜测。
- 容量系数：是指发电厂连续满功率运行时所产生的能量与将产生的能量之比。陆上风电的发电效率通常约为 25-45%，太阳能发电的发电效率约为 12-25%，具体取决于气候。如果长期平均值超出此范围，则存在错误。
- 实际数据：最强的锚是预测与实际产量的比较；系统偏差（例如持续高估）得到纠正。
注意：太阳能发电量预测在夜间不为零或者风力发电量预测仍显示高于截止率的满量发电在物理上是不可能的。这种违规行为表明该模型在某些地方缺少基础物理，并且在不查看统计数据的情况下被拒绝。
三个迷你案例：从数字来看
案例1——夜间生产。一个团队的太阳能预测模型预测晚上 10 点发电量为 3 兆瓦。这在物理上是不可能的；问题在于，输入模型的辐照度数据与错误时区的值匹配。夜零主播立即发现了错误，修正时区后，预测就正确了。
案例 2 — 风中的立方体效应。在一个风电场，天气预报给出的风速为 10 m/s，而不是 8 m/s，明显误差为 25%。但由于功率取决于速度的三次方，预计产量大约是实际产量的两倍，导致市场出现巨大的不平衡损失。教训：风力预报中的小速度误差就是大生产误差；不确定性范围应保持较宽。
案例 3 — 容量系数锚。一座新发电厂的年产量预测意味着容量系数为 55%。远高于大陆风的这个范围；调查显示，生产单位（MWh）被错误计算了两次。容量因素锚将投资决策从错误的基础上解放出来，而无需深入细节。
弱提示/强提示
弱提示：
预测该风电场明天的产量。[数据]
强力提示：
您的角色：可再生能源产量预测员。任务：风电场每小时的日前产量预测。- 仅使用预测时可用的天气预报作为输入；测量并考虑风速的立方效应。 - 应用涡轮机功率曲线（切入速度、标称速度、截止速度）；不要给出超出这些限制的物理结果。 - 给出一个不确定性范围，而不是一个数字。 - 用两个锚自行测试结果：(a) 是否有超过装机功率的值，(b) 隐含容量系数是否在 25-45% 范围内？数据：[植物和天气数据]
强大的提示从一开始就强加了立方体效应、功率曲线、不确定性和两个物理锚点——消除了再生预测的经典错误。
四个可复制模板
1）太阳能物理吸顶控制：
使用这些锚点测试太阳能发电量估算：夜间发电量为零吗？中午高峰是在中午吗？是否有任何值超过装机容量？列出带有时间戳的违规行为。
2）风电功率曲线应用：
使用以下涡轮机功率曲线参数：切入 [A] m/s、标称 [B] m/s、切入 [C] m/s。将给定的风速预测转化为生产。还评论了由于三次速度-功率关系而导致的速度不确定性对生产不确定性的影响。
3）容量因素合理性锚定：
根据发电估算计算隐含容量系数，并将其与电站类型的典型范围（风能 25-45%，太阳能 12-25%）进行比较。如果超出范围，请列出可能的错误源（单位、时区、重复计数）。
4）预测-真实偏差分析：
将实际产量与过去的预测进行比较。是否存在系统偏差（持续高估/低估）？检查偏差是否随天气条件（阴天/晴天、小风/大风）而变化，并提出修正建议。
太阳能和风能比较表
特征
太阳能（光伏）
风
主输入
辐照度、面板温度
风速和风向
每日数字
可预测（夜间零点，中午高峰）
昼夜不规律，昼夜不定
主要挑战
浑浊
速度-功率立方关系
典型容量系数
〜12-25%
~25-45%（陆地）
强锚
夜间零时，已安装功率上限
功率曲线限制、容量系数
常见错误
- 低估风速误差。由于速度与功率的关系是三次方的，所以小的速度误差就是大的生产误差。
- 不检查物理上限。任何超过夜间太阳能发电量或装机容量的值都应被拒绝，无需查看统计数据。
- 将不确定性减少到一个数字。可再生能源预测本质上是概率性的；不提供录像带就无法做出决定。
- 泄露。将实际天气作为属性；然而，您所拥有的只是天气预报。
- 绕过容量因子锚。不测试长期平均值的合理性隐藏了单位和重复计算错误。
总之
太阳能和风能发电取决于气象并且是可变的；该估计对于电网平衡和市场至关重要。多云使可预测的太阳昼夜模式变得困难，而快速的立方关系使风的产生变得困难。人工智能在将天气预报与实际生产联系起来方面具有强大的功能；但必须使用物理天花板、功率曲线和容量系数锚来测试预测，必须用胶带报告不确定性，并且必须避免泄漏。
应用任务
获取太阳能或风电场的历史生产数据。让人工智能使用模板“太阳能物理天花板控制”（针对太阳能）或“容量因子合理性锚”（针对两者）来审核预测。然后自己计算隐含容量系数并将其与典型范围进行比较。如果您发现物理上不可行或合理性偏差，请写下您是如何发现它的。
清单
- [ ] 经验证，主要输入是天气预报，不存在泄露
- [ ] 我应用了夜间归零并安装了太阳能动力天花板锚
- [ ] 我考虑了风的功率曲线限制和立方速度效应
- [ ] 我将隐含容量系数与典型范围进行了比较
- [ ] 我提出了带有不确定性范围的估计
- [ ] 我检查了预测实现的系统偏差
- [ ] 我拒绝涉及物理不可能性的价值观