新能源场站的功率预测误差，很大一部分来自分钟级的剧烈波动——云团过境导致光伏出力在十分钟内跌落三成，或阵风前沿引发风电爬坡。传统数值天气预报的时间分辨率与空间粒度都难以覆盖这类事件，电网调度只能靠加大旋转备用兜底。
我们在能源AI实验室做了一个实验性探索：把天空成像仪的地基云图序列与场站SCADA的分钟级出力数据对齐，用轻量光流网络估计云团移动矢量，再叠加一个短时序回归头，直接输出未来10~30分钟的功率区间预测。风电侧则提取机舱风速仪与功率曲线的偏离特征，用于识别爬坡前兆。
阶段性进展：在合作场站的回算中，10分钟尺度预测的均方根误差较原基线下降约18%，爬坡事件的提前预警命中率提升至七成以上，误报主要出现在低云量过渡时段。模型参数量控制在边缘推理盒可承载的范围内，单次推理耗时低于200毫秒。
下一步计划：引入多场站云图拼接，缓解单点成像视野受限的问题；同时把预测区间接入场站储能充放电策略，观察预警提前量能否转化为实际的弃电减少。
评论