《Atmosphere》：Wind Power Forecasting Under Complex Weather: Error Mechanisms, Technical Advances and Challenges
摘要：复杂天气条件下风电功率预测误差显著增大，制约了电网的安全并网。既有综述多按方法谱系、爬坡事件、不确定性或系统维度组织，而非沿误差链条展开。本综述沿四个环节追踪误差的传播路径，即从气象驱动场、场站风场，到转换关系与机组运行状态，并将气象误差与功率预测误差加以区分。沿此链条，冷锋、深对流、低空急流与热带气旋赋予误差四种截然不同的时间形态：时间偏移、随机大偏差、系统性日变化偏差以及运行状态阶跃变化，各自需要不同的技术手段加以应对。在样本稀缺且统计关系不稳定的情形下，物理约束与数据驱动方法必须相互融合。残余误差可进一步划分为技术手段可消减的部分，以及由可预测性上限（predictability ceiling）所决定、不随分辨率或数据改善而下降的部分。除误差本身之外，功率爬坡事件随天气过程而非预测误差演变，其预警需独立送达调度环节。当前的主要不足在于观测资料与配对样本的可获取性，且调度风险指标尚无法转化为精度指标。
- 3.
形成机制与固有约束
3.1 误差来源及其传播结构
风电功率预测误差沿四个环节形成链条：数值天气预报（NWP）提供气象驱动场，经由格点向风电场传递形成场站风场，再通过风速-功率转换关系转化为功率，最终依据机组运行状态实现为实际出力。气象预报误差与最终功率预测误差是两个不同量：前者是NWP状态变量（如风速、风向、气温、空气密度）对真实大气的偏离，后者是预测功率对实际出力的偏离。两者之间被上述环节所隔开，因此风速预测误差的减小并不必然带来功率偏差的等比例下降。
第一环节的偏差来自NWP对天气系统本身的预报误差，其大小取决于过程可预测性及模式对次网格过程（如边界层湍流、对流）的刻画能力。第二环节的偏差来自空间尺度差异，其量级不随天气预报质量改善而成比例下降：NWP格距远大于风电场尺度，复杂地形与不均匀下垫面的处理直接影响边界层结构，格点值不能直接代表场站尺度入流；场址内部上游机组尾流进一步造成结构性差异，尾流恢复依赖于大气稳定度与入流条件。在现行业务模式分辨率范围内，该差异表现为持续的系统性偏差，其量级不随预报时效显著增长。
第三环节偏差来自转换关系的非线性。风速-功率映射明显非线性，建模误差在不同风速区间差异显著；额定风速附近曲线最陡，相同风速误差对应明显不同的功率偏差。机组出力与空气密度成正比，而标准功率曲线按标准大气条件定义；北半球中高纬度夏季至冬季空气密度季节变化使容量系数偏移?6%至6%，在额定风速以下相同湍流风速条件下，高密度日与低密度日瞬时功率可相差超过20%。中尺度模式对轮毂高度风速的技巧有限，轮毂高度以下100 m内风廓线在强风切变与充分混合层之间差异悬殊。第四环节偏差来自机组运行状态：保护逻辑可在风速仍处于可用区间时使机组停机或脱网，气象条件与出力之间关系由连续曲线变为随运行策略变化的离散状态，保护事件期间按功率曲线映射的出力系统性偏高。四个环节贡献随时效变化：短时效更多来自转换关系与运行状态，时效延长后气象驱动场演变偏差占主导。
3.2 复杂天气判据与四类代表性过程
复杂天气指在风电场尺度引起风速、风向或大气热力结构快速显著变化，且明显增大功率预测误差或使风速-功率关系偏离统计平均的天气过程。它不等同于按量级阈值定义的极端天气，常与过渡性天气重叠。本文以预测误差增大和转换关系偏离为判据，据此某过程即使风速不极端也可造成大的预测偏差。“快速”“显著”主要指风速变化率，其量级与功率爬坡事件所用阈值同阶，也表现为数小时内风向数十度偏转、层结由中性转为强稳定或强不稳定、或剧烈降温后空气密度明显偏离标准状态。沙尘、海雾、覆冰影响风电场运行，但不引起风速或热力结构快速变化，其作用经由转换关系与机组运行状态实现，故不单列为天气类别。强静力稳定度是夜间风廓线形成与低空急流维持的条件，其作用体现在该过程的误差形态中。
四类过程从功率爬坡成因统计与各过程对场站尺度入流的控制方式中选取。成因统计显示锋面与对流是功率爬坡的两大主要触发因素：美国得克萨斯州冷季多数爬坡由锋面过境引起、暖季多数由对流事件引起；澳大利亚维多利亚州场站尺度小时爬坡事件约46%与锋面活动相关；中国吉林分析亦显示最大功率预测偏差集中在天气形势剧变时段。另两类由控制机制推出：低空急流的高度与强度决定轮毂高度入流，其偏差表现为每日相同时段复现的平缓爬坡，幅度小，易被固定阈值判据漏检；热带气旋主要造成机组切出时的运行状态阶跃变化，发生稀少但单次事件幅度与影响范围居四类之首。四类过程分别代表大尺度强迫、深对流触发、边界层强风带维持与热带气旋过境，机制与时间尺度各异，活跃季节与地理分布不均：寒潮冷锋集中于北方冬春季，深对流集中于暖季，低空急流夜间出现于内陆平原与山区，热带气旋夏秋季出现于东南沿海。
3.3 四类过程的机制与误差形态
寒潮与冷锋主要作用于过程到达时间。典型个例为2019年11月11日美国达拉斯-沃斯堡地区冷锋过境：锋面在不足1 h内扫过约100 km×100 km区域，期间风速上升近10 m s?1，风向偏转约180°，气温下降超过12 K。锋后强动量下传使风速在数十分钟至数小时内快速上升，NWP偏差主要在于峰值时间偏移，风速量级偏差居次要地位。后报试验显示锋面到达时间偏差随模式域与嵌套设置变化，未经专门调优可达数小时。过程到达后气温骤降并持续偏低，机组可能因覆冰、低温保护或大风切出而停机，出力离开功率曲线描述范围，该部分偏差由机组保护阈值本身决定。大尺度环流异常亦改变冷空气爆发的频率与路径，表现为评估趋势的偏移。
深对流包括雷暴、飑线与中尺度对流系统，共同特征是寿命短、水平尺度小。对流系统产生的下沉气流与周围空气形成密度流，阵风锋过境时近地面风速可超过25 m s?1，辐散风可在数分钟内改变场站尺度入流。对流依赖于局地热力动力条件的微小差异，NWP对其发生位置与时间不确定，分辨率不足以显式解析对流时积云参数化缺陷进一步放大困难。此类过程可用观测提前量短，高频雷达与卫星观测成为主要信息源，气象驱动场偏差无法在时间上定位，表现为单时间步的随机大偏差。典型个例为澳大利亚维多利亚州装机131.2 MW风电场，2018年12月14日雷暴期间下沉气流使功率数十分钟内上升约59 MW，随后风速下降造成约43 MW跌落。按组织形式或环境条件对深对流分类，可将整体无法定位的随机偏差转化为若干相对可识别的类别。
低空急流是边界层顶部附近的强风带，典型高度约200 m，夜间因稳定层结抑制湍流混合而显著增强。风速极大值常接近轮毂高度，急流核位置与强度直接决定风轮扫掠面入流。该过程具有清晰日变化：入夜后急流增强、出力上升，日出后边界层混合、急流减弱。德国林登贝格与法尔肯贝格夏季观测显示约70%夜间出现低空急流，急流期间平均出力上升最高约80%，较短事件主要驱动功率爬坡。误差不表现为随机波动，而是随日变化复现的系统性偏差，平缓爬坡集中于每日相同时段，易被漏检。急流高度与强度对层结敏感：稳定层结下NWP趋于低估近地面风速，层结转为混合后偏差符号改变，一天内可发生反转。此类偏差在日平均中抵消，但对小时级功率预测的影响持续存在。美国得克萨斯州100余座风电场七年小时记录检验显示，轮毂高度风在傍晚表征较差、日出后较好，且该偏差在最高分辨率模式中仍然存在。
热带气旋内部风速远超机组切出风速，机组停机、功率由满发迅速降至零，形成大幅下行爬坡。路径、强度与登陆后结构高度不确定，风电场是否进入危险半圆及最大风速出现时刻直接影响功率预测形态。眼壁与螺旋雨带过境亦可使功率围绕停机状态波动。该情景主要偏差来自切出、恢复等运行状态变化：忽略切出范围则高估出力，切出时刻判断过早则低估出力，预警核心在于确定切出与恢复时刻。热带气旋影响范围广，区域内多座风电场常同时受影响，功率呈大范围同步波动。外圈环流阶段，场内不规则布局与沿海山地遮蔽可使单座风电场内功率响应出现明显空间差异：偏北风入流时部分机组出力可相差约35%，相邻机组对风向小变化亦敏感。预测改进需将大尺度路径预报与场站尺度运行策略相衔接。
四类过程造成的误差分属四种时间结构：时间偏移、随机大偏差、系统性偏差与运行状态阶跃，各自遵循不同统计规律。四类过程在功率上亦产生不同响应形态：冷锋为陡升后缓降，深对列为连续上下爬坡，低空急流为相同时段复现的平缓爬坡，热带气旋为切出引起的阶跃下降，四种形态构成功率爬坡事件的原型。实际中四类并不独立：寒潮常伴随冷锋过境，低空急流常存在于锋前，锋后可能发生深对流。
3.4 误差可消减部分与固有约束
限制误差可消减程度的约束因素分三组。可预测性上限限定气象量本身可获得的确定性信息；统计关系不稳定与极端样本稀缺限制功率侧建模的适用范围。
可预测性上限取决于过程空间尺度与演变机制，与天气现象显著程度无关。NWP通常可提前数天给出大尺度强迫过程存在的信号，但到达时间仍不确定；对水平尺度小、寿命短的过程，触发位置与时间最难预报。该下界源于大气本身的混沌性质，不随模式结构或训练数据改善而下降。实际预报误差还有其他来源：模式分辨率限制、观测网空间覆盖与精度、参数化方案结构误差，这些随相应条件改善而下降。复杂天气下误差为两者之和，技术改进只能消减后者，混沌性质决定的部分只能以概率形式表达。即使NWP无法准确预报对流过程时空位置，其输出仍提供有利于该过程的大气环境信息。
统计关系不稳定源于建模方法对真实过程的偏离。基于历史样本训练的订正模型或机器学习模型，其有效性依赖输入输出间统计关系的稳定性；复杂天气下该关系随天气形势与边界层状态变化，模型适用范围收缩。该约束可通过引入天气分型或过程识别作为前置条件缓解，缓解程度取决于识别粒度：划分越细，类内统计关系越稳定，但该类模型可训练样本越少。
极端样本稀缺源于复杂天气事件低频性。可用于训练的样本远少于平稳天气，拟合关系易过拟合，极值量级趋于低估。三种约束处理方式不同：统计关系不稳定与极端样本稀缺可通过过程识别、物理约束与样本扩充缓解，缓解程度本身受识别精度限制；可预测性上限只能以概率形式表达，并在调度中作为风险显式处理。三者相对权重随时效变化：临近预报更多受可预测性上限支配，短中期预报以统计关系稳定性与样本条件为主。三者相互耦合：极端样本稀缺削弱天气分型与过程识别方法训练，过程识别误差本身又加剧统计关系不稳定性。
- 4.
复杂天气下风电功率预测误差消减技术及其适用条件
预测链各环节引入的偏差性质不同，订正方式亦不同。资料同化与NWP改进作用于气象驱动场，局地风场重构与场站观测作用于场站风场，转换关系订正与运行状态识别作用于其余两个环节，输出端统计后处理补偿前期环节遗留的系统性偏差。各环节模型可为物理、数据驱动或混合型：物理模型以NWP输出为基础，对历史数据依赖小，适合新建风电场；数据驱动模型从历史数据学习输入输出映射，样本充分时精度高，但外推能力受样本覆盖限制；混合模型以物理过程提供约束、数据驱动方法拟合，旨在缓解样本条件对建模的限制。
4.1 气象驱动场改进
气象驱动场改进作用于NWP产生的区域气象场，目标是减小初始场与演变过程中环流型和天气系统的偏差。可行途径分两个层面：改进NWP本身与改变预报场来源。
资料同化从源头减小初始场误差，将气象站、探空、风廓线雷达、卫星等多源观测与NWP背景场结合，改善边界层风场模拟精度。四维变分同化以伴随模式求解最优初始场，集合卡尔曼滤波从集合统计估计背景误差协方差，算法不同但目标一致：使NWP初始场中尺度系统位置与强度更接近实况。同化主要作用于初始场，对NWP物理过程结构偏差的订正能力有限，复杂天气下该局限更突出。物理过程改进更为直接，共同难点是参数化方案与真实过程间的结构差距：动量下传强度取决于边界层方案对湍流混合的描述，此类方案多在平稳条件观测上标定；对流阵风锋能否解析取决于水平分辨率与积云参数化的取舍。高分辨率快速更新循环通过缩短同化窗口提高更新频率，但方案与复杂天气过程的不匹配并未解决。物理过程改进亦有数据驱动路径：物理集成Transformer模型以高垂直分辨率估计城市边界层风速，均方根误差约1.10 m s?1，承载物理约束的动力变量作为模型输入的一部分，使估计保持与支配方程的联系而非仅依赖训练样本统计。
另一途径改变气象场生成方式。AI气象模型基于数十年历史气象数据训练，直接从当前大气状态推断未来气象场，提供不同于NWP的功率预测驱动场。其优势是推断远快于NWP，可直接从历史数据学习大气演变规律，便于生成大集合。风电应用方面，广东阳江海上风电场17个月对比试验显示，盘古模型驱动的短期功率预测优于业务区域NWP，风速订正与残差多层感知机组合方案在24 h预报精度0.714、96 h为0.654。全国2000余气象站风速检验显示盘古风预报均方根误差约2.13 m s?1，仍略逊于ECMWF高分辨率业务预报，模型相对优势主要体现在较长时效。AI天气模型在复杂天气下仍有明显局限：主流全球AI模型在0.25°格网上输出，格距远大于风电场，无法解析场站尺度风场；预报步长为6 h或少数模型1 h，爬坡发展所依赖的亚小时变化未表征；其性能依赖历史数据统计学习，极端情形趋于保守预测，而复杂天气恰是对精度要求最高的情形。对破纪录高温、低温与大风检验显示，这些模型误差在几乎所有时效上超过ECMWF高分辨率业务预报，且低估破纪录事件频率与强度。其输出主要为平滑大尺度场，解析对流触发位置与边界层精细结构能力有限，且不具备物理模式的一致性，性能依赖给定初始场。当前合理做法是将AI天气模型与NWP结合使用，前者提供快速多成员形势预报，后者保证物理一致性与边界层合理描述。
4.2 场站风场、转换关系与机组运行状态订正
NWP气象场格距为数公里以上，将场解析到单座风电场及其周边需要专门处理，涉及四个技术路径不同的问题：场站周边风场降尺度、场内流场与场站观测约束、转换关系订正、机组运行状态识别。
复杂地形风场重构有动力降尺度与统计降尺度两条主要路径。动力降尺度以高分辨率NWP在有限区域重算风场，复杂地形常结合计算流体力学（CFD）求解地形强迫绕流，效果受上游边界条件精度与边界传递误差限制，嵌套层数增加时更难控制，计算成本随分辨率快速上升。统计降尺度依赖历史观测建立统计关系，计算成本低，但简化假设在复杂天气下易失效，天气形势偏离训练样本分布时映射可靠性无法保证。模型场垂直结构提供另一途径：在每个机组多个模式层提取特征，复杂地形下年归一化平均绝对误差降低最高1.2%，但相关层随机组而异，每台机组需长记录。降尺度方法选择是精度、计算成本与样本条件间的权衡，提高分辨率不能替代物理过程描述与观测条件改善。
机组间相互干扰是另一误差来源，其特征尺度为机组间距量级，与地形强迫绕流不同，需分别描述。单点测风与静态功率曲线难以反映该干扰。工程实践常用简化尾流模型估计尾流损失，计算廉价，但此类模型偏差在地形与布局条件间差异明显，无法稳定描述复杂地形与强稳定条件下的流动细节。高精度要求下以CFD逐机组求解场内流场，代价是计算量显著增加。场站风场亦可由观测网向下延伸直接约束：三维变分同化试验显示，测风塔数据与常规观测一同同化有效改善初始场近地面风场，该改善有时限性，不同高度风速预报在前36 h明显改善。机舱雷达观测主成分引入同化系统亦改善风电功率预测。该途径效果受观测代表性限制：机舱风速计读数因转子尾流而系统性偏离自由来流风速，需先建立订正关系。
转换关系偏差有两个来源，订正方式不同。其一为标准功率曲线在空气密度偏离标准状态时不再适用，寒潮等剧烈降温时需以实时空气密度订正曲线。其二为低空急流强切变与深对流使轮毂高度单点风速不能代表风轮扫掠面载荷状态。常用两种途径：以稳定度、风切变指数或温度层结为条件建立分段转换关系替代单一功率曲线；或由多高度观测或模拟结果构造等效风速。功率曲线本身建模误差亦贡献于此环节偏差。
机组运行状态描述是转换关系成立的另一前提。上述订正均假设机组处于正常运行区间，复杂天气下机组可能因保护动作停机，出力由切出与恢复判据而非功率曲线决定，预测对象由连续转换关系变为离散运行状态识别。三种途径可行：将保护逻辑作为显式约束写入预测模型；基于实测运行数据建立气象条件到机组状态的判别关系；分别建模运行与停机时段，不以单一转换关系覆盖全部运行条件。判别所需输入包括轮毂高度风速、气温、降水等气象量与机组运行记录，后者是确定实际保护阈值的直接依据。切出与恢复只是运行状态的一部分。气象条件不变时，电网调度限电、非计划停机与可用率下降、机组间尾流干扰、变桨偏航限功率等控制动作、各机型特有保护逻辑均改变实测功率，量级随场址与季节变化。尾流项列于年发电量最大单项损失之中，估计量级研究间差异大。这些是年发电量损失，与预测误差不同量，损失大小取决于运行状态，只能由风电场运行记录给出。
4.3 输出端统计后处理
气象场经转换关系得到的功率与实际出力之间仍有残余偏差，需在输出端统计后处理。此类订正依赖气象状态与功率预测误差间的统计映射，补偿前期环节未消除的系统性偏差，但不改变上游偏差引入过程。典型方法包括卡尔曼滤波、回归模型、支持向量机、树结构或神经网络算法，实现相对简单、适应性较好，平稳天气短期预测表现良好；复杂天气下气象变量与功率预测误差间统计关系可能变化，外推能力受限。近期改进方向是引入天气分型或过程阶段识别作为订正前置条件，先判断所属天气过程与阶段再调用对应订正模型。天气分型已有实现：以风速分形维数筛选强波动样本，按动态时间规整距离层次凝聚聚类划分天气类型，再为各类型选择输入并建立回归模型。与未分型的单一随机森林模型相比，仅天气分型使归一化平均绝对误差降低9.73%、归一化均方根误差降低10.87%、相关系数提高2.47%；加入集成特征选择后三项指标改善分别增至26.13%、27.42%与5.18%。统计后处理可较快消除系统性偏差，如夜间风速低估造成的持续偏差这一系统性NWP缺陷。偏差产生位置决定能否在输出端订正，订正方案组合取决于误差主导形态。
4.4 有限样本下的融合建模策略
物理机制与数据驱动方法亦相互结合，结合方式差异在于物理信息进入位置。具体途径大致分三组：将物理规律作为约束嵌入数据驱动模型、两类模型串联组合、通过序列形态与样本数量改善建模条件。
物理约束嵌入将大气运动基本规律、风切变指数或边界层相似理论作为约束项或特征写入数据驱动模型。与气象侧改进参数化路径不同，此处约束对象是功率侧预测模型，规律不再描述大气演变，而是提供小样本无法提供的信息，约束输出不偏离物理合理范围。为此构建的双流结构将时间依赖描述与气象空间映射分离，以物理约束限定两路输出并自适应融合，在三个沿海风电场八个月数据上1 d与4 d精度均优于对比方法。
串联途径将物理模型与数据模型顺序组合：中尺度NWP提供未来气象背景场，数据驱动模型随后订正风速、风向或功率预报的系统性偏差。基于WRF与风速误差订正的中期风电功率预测方法中，隐马尔可夫模型较单独WRF归一化均方根误差与归一化平均绝对误差分别下降28.3%与23.7%。串联优势在于数据模型只承担较轻的偏差订正任务，所需样本少于端到端建模。
信号分解方法如经验模态分解与经验小波变换先将非平稳风速或功率序列分解为不同频率分量，再对各分量建模，增强对趋势项、周期项与随机波动的描述能力。有限样本下分解将单一强非线性映射拆分为若干更易学习的映射，各子模型所需数据量相应下降。改善样本条件直接作用于样本数量：定义寒潮天气事件、生成小样本数据并提前预测损失时段的组合预测方法缓解了寒潮样本稀缺限制；另一研究先以生成模型扩充极端天气样本并改进数值预报输入，再按天气条件建模，精度与F1分数较最优基准分别提高2.7%与3.6%。
融合方法结合物理模型可解释性与数据驱动非线性学习能力，但改进仍受上游气象输入质量限制，只对已有气象信息再处理。NWP在天气系统位置、强度或时间上有明显偏差时，下游模型难以从已偏移的气象场恢复功率变化的正确时刻。此类方法适用于天气形势基本正确而功率侧映射失真的情景。
4.5 跨环节技术组合及其适用条件
各环节改进技术均针对特定类型偏差，而单一复杂天气过程造成的误差往往不止一种形态，需针对具体情景判断组合中的主次角色。
选择技术的第一依据是各环节主导误差形态。时间偏移无法由统计映射订正，冷锋过程主要靠能表征时间不确定性的集合方法处理，输出端统计订正起辅助作用。系统性偏差相反，相同天气条件下方向相对稳定，低空急流适合按稳定度或天气阶段分层的统计订正。运行状态切换造成的阶跃偏差必须将机组切出与恢复判据显式写入预测链，在热带气旋情景最为突出。深对流造成的随机大偏差无法在时间上定位，技术目标由事件本身点预测转向分类产生强对流的天气条件，辅以高频观测支持的临近预报。可预测性水平进一步界定改进有效环节：冷锋等大尺度强迫过程信号可提前数天被NWP捕获，改进重点是锋面到达时间散布与锋区风速量级描述；低空急流日变化使其相对可预测，重点是夜间稳定边界层参数化与多层测风塔数据利用；深对流受可预测性上限约束，改进集中于环境条件识别。过程型偏差之外还有地表与地形条件造成的持续偏差，不构成天气过程、无可识别事件信号，改进依赖NWP物理过程长期进步与场址自身观测订正初始场。
实施有两个前提条件。第一是观测条件：深对流情景依赖高频雷达与卫星观测，低空急流情景依赖垂直风廓线观测与长序列机舱记录，观测不具备则合适方法难以实施。第二是运行侧信息可获取性：热带气旋情景技术方案基于机组切出与恢复判据，这些参数通常由整机厂商掌握、难以获取。两前提满足程度在四类情景间不同：寒潮冷锋对观测与运行信息依赖最小、最易实施；深对流与热带气旋分别受观测时效与信息壁垒限制。主导误差形态未获改进时，其他环节改进难以体现为最终功率精度收益。各方法性能增益多报告为相对改善，数值来自不同数据集、区域、时效与评价指标，不可在同一标尺上比较。
- 5.
复杂天气下风电功率爬坡事件预报与预警
复杂天气还提出关于事件而非功率点值的要求。四类过程中功率变化集中在数十分钟至数小时内，备用容量须在同一时间尺度调整，其幅度与速率构成运行安排的硬约束。识别事件的绝对阈值在部分研究中按该时间尺度可用备用发电设定。该约束与功率预测误差总体大小无必然联系。基于平均误差的评价指标对爬坡是否提前捕获不敏感，时间偏移数十分钟而幅度大致正确的过程仍可能通过逐点指标。爬坡事件识别、预报与预警因此形成与点值精度改进并行的第二条技术线，目标是爬坡时刻与幅度、判断置信度及该信息向调度决策的转化。
5.1 爬坡事件识别与预报
事件预报与逐点精度目的不同，前者判断爬坡是否发生并要求在事件发生前给出判断。爬坡由天气过程驱动，幅度、速率与持续时间取决于过程类型，四类过程对应爬坡在成因与形态上差异明显，判据、识别窗口与预报方法不能同等对待。两个要求随之而来：从功率序列确定是否发生爬坡及其起止时刻与幅度，决定事件样本构建方式；在事件发生前发出判断，决定预报模型可用信息。
风电功率爬坡事件通常定义为给定时间窗内功率变化超过预设阈值，按方向、速率与空间范围划分。事件识别取决于阈值与窗口设置：阈值过小将普通功率波动误判为事件，过大则漏检低幅度爬坡，虚警与漏检无法同时避免。常用做法以绝对变化量或变化率设固定阈值，部分研究将阈值按功率序列离散程度或规定发生频率缩放以跟随序列行为，另有研究先识别爬坡段再在各段内预报。复杂天气下阈值还须考虑过程类型：冷锋与热带气旋爬坡幅度大、持续时间长，固定阈值可有效识别；低空急流爬坡幅度小但有规律，需结合日变化特征设置随时段变化的阈值。事件提取环节以滑动窗口、持续性判别与小波变换确定爬坡起止时刻、方向与幅度；评价环节在常规误差指标之外发展了爬坡检出率、虚警率与爬坡评分等事件级指标。爬坡阈值尚无统一标准，既使研究间比较困难，又要求预报方法适应多种判据下的事件识别。爬坡预报实用价值既取决于算法精度，也取决于判据与调度需求匹配程度。爬坡识别与三项事件级指标均在功率序列上计算，属功率侧，不反映气象预报误差。
爬坡统计还依赖阈值、时间窗与归一化基准三要素，第三项常被忽略。时间窗决定单条记录产生的事件数量与幅度，小时内窗口、1 h窗口与多小时窗口对应不同统计量。归一化基准可为额定容量、装机容量或标准化值，相同功率变化在不同场站得到不同归一化幅度。三要素选择不同时，同一天气过程产生不同事件集，两项研究比较仅在三者均给定时成立。
5.2 爬坡预报方法
现有预报方法大致分三条思路，对天气过程信息依赖程度不同。第一为气象情景生成：由NWP风场经功率曲线转换或物理降尺度生成功率序列，再经集合后处理给出若干情景，描述爬坡事件概率与功率变化范围。该路径保留爬坡事件与天气过程的物理联系，可解释性强、所需样本少，但效果直接受上游天气过程预报精度限制。第二为前兆特征提取：识别爬坡前气象与功率演变信号，建立事件与气象因子间统计联系，并将深对流等天气过程分类引入模型输入。该方法保留物理可解释性，但前兆信号稳定性依赖事件样本覆盖。第三为直接特征学习：以机器学习与深度网络从多源数据提取爬坡相关信号，绕过对物理过程的先验归因。拟合能力最强，可解释性最低，样本稀缺时可靠性难以保证。三条思路构成可解释性与拟合能力之间的连续谱，适用性随天气过程变化：气象情景生成适合冷锋与低空急流等预报精度相对较高的过程；前兆特征提取适合具有清晰前兆信号的深对流；特征学习可用于所有过程，但热带气旋与强寒潮等样本稀缺情景下可靠性下降。技术演进上早期以气象情景生成与前兆特征提取为主，近期转向端到端特征学习；改善样本条件与订正NWP输入相结合已成为提高极端事件预报可靠性的常用手段。
5.3 爬坡预报不确定性量化
确定性点预报难以反映爬坡时刻与幅度的不确定性。两特征量中，时刻比幅度更直接受可预测性上限约束，调度对时刻要求亦比幅度更严。不确定性重点随过程而异：冷锋重在峰值时刻，深对流重在事件是否发生，低空急流重在爬坡幅度，热带气旋重在切出时刻与恢复时刻。概率预报给出事件概率与功率变化范围，可为调度与备用分配提供决策提前量，也是应对可预测性上限客观限制的主要技术途径。
现有概率爬坡预报方法按概率信息来源分三类。第一以情景生成描述事件可能形态，如以广义高斯混合模型拟合功率预测误差分布，以改进摆动门算法在情景中识别爬坡事件。第二从集合预报提取概率信息，如经集合后处理与时频双域建模给出爬坡幅度与起止时刻概率分布。第三直接处理有限样本下的认知不确定性，如以不精确条件概率使小样本预报更可靠。三类常组合使用，共同前提是有足够历史事件样本支持概率估计，复杂天气难以满足。组合形式包括物理机制与数据驱动融合、多元神经网络后处理：前者通过改进恶劣天气驱动场预报为爬坡预报提供更可靠输入，后者订正轮毂高度风预报误差。
概率信息表达形式影响可用性。分位数与预测区间易直接转化为备用需求；但爬坡涉及时刻与幅度两维，单变量区间难以描述其联合不确定性，相同分位区间可能对应幅度正确而时刻偏移的多种情形。集合预报提供另一表达形式，但其离散度是否真实反映预报不确定性取决于成员代表性，成员数不足或扰动方式单一时过小离散度易导致风险低估。概率预报常用评价指标衡量分布整体与观测接近程度，对时间偏移惩罚有限，与调度实际关心的漏检风险不完全对应。
5.4 预警分级与调度信息接口
爬坡预警将预报结果转化为可操作的调度信号，核心是预警等级分级方式及其可靠性。分级尚无统一依据，一种方案按响应措施控制成本分级，成本越高对应风险等级越高。大规模爬坡是低频高影响事件，样本严重类别不平衡是预警建模首要障碍，常以重采样与时间序列分类方法改善稀有事件识别，针对严重类别不平衡设计的分类方法可保持预报精度与加权F1分数平衡。复杂天气下样本不平衡更突出：热带气旋与罕见寒潮可用样本远少于冷锋，同一套分级判据在不同过程间可靠性不同。分级还须匹配调度响应能力：过细削弱可操作性，过粗无法区分不同处置方式。
预报误差、爬坡不确定性、备用需求、调度风险与运行成本依次相连。预报误差是预测功率对实际值的偏离，爬坡时段开始后转化为事件时刻与幅度不确定性，该不确定性经运行规则转化为备用容量需求，转化通常取固定比例或固定置信水平。未识别的爬坡构成调度风险，其成本由备用市场定价与调度策略决定。两个转化均不由预报决定，预报精度提高本身不意味着运行成本下降。国际能源署风电合作组织指出风电出力波动性与预测误差是限制风电并网量的因素之一，并报告大平衡区可同时减小两者。预警信息价值最终取决于是否提前足够时间供调度决策行动：日前阶段需爬坡概率趋势判断以安排机组组合与备用容量；日内阶段需事件时段与幅度定量估计以修订计划与备用调整空间；临近阶段需分钟级告警以触发实时调整或保护动作。各过程可用提前量差异大：冷锋寒潮可提前数天识别，预警适合日前阶段；低空急流日变化清晰，预警由日内阶段分时给出；深对流仅有数十分钟，预警依赖环境条件概率信息；热带气旋涉及机组切出离散决策，预警等级须直接对应运行状态切换。现有工作已在方法层面沿两条途径建立预报与调度联系：一条将爬坡识别结果转化为调整资源分配，以储能与火电机组容量配置或电网阻塞风险管理为目标；另一条在预报识别环节引入电网侧约束与频率偏差。这些途径目前仅在个别案例中验证，尚未进入日常调度。接口能否建立取决于更新频率、误差定义与调度决策时间尺度差异能否在流程层面被吸收。
- 6.
讨论与展望
沿四个环节分离误差并按性质分组约束后有两个问题：技术手段可消减误差占多大比例，决定技术评价应基于何种指标；该消减能否转化为运行收益，决定预报与调度联系。
6.1 可消减与不可消减误差
多数评价报告单一总误差，不分离技术可消减部分与大气性质决定部分。该值同时包含三类约束贡献，指标改善后仍难判断哪部分改善。分别报告三类约束影响需按过程类型与可预测性水平分类，给出各类误差水平，并以持续性预报或集合预报离散度为参照。极端过程是样本最少类别，发生稀少，按类型细分后更少，但运行安排对其关注最多。分类粒度因此受数据积累限制，事件标注越规范、序列越长，更细划分越可行。气象驱动场改进只有同时正确描述转换关系与机组运行状态才能到达最终功率预报。
6.2 精度指标与运行风险指标
调度依赖的量是备用容量、功率变化提前量与漏检成本，均不与平均误差直接对应。以降低总误差为目标的改进不必然带来运行收益，两类指标间换算目前缺失。同一组预报，技术评价按误差大小排序，运行评价按风险水平排序，两者可能给出不同结论。现有工作以概率预报安排能量与运行备用，连接了两类指标。风险指标须建立在漏检成本估计上，该成本取决于备用市场规则与运行人员判断，预报侧难以单独确定。备用分配决策模型以运行成本为目标，与预报评分规则分属不同体系。预报精度提高后，其收益须转化为成本下降才能被运行侧认可，该转化目前多依赖经验判断，公开定量方法尚不成熟。
6.3 观测与配对样本
多项改进受观测覆盖限制。四类过程所需观测不同，现有观测网按天气系统自身演变设计，空间密度与观测频率不匹配场站尺度风场要求。复杂天气关键信息多集中于边界层，而边界层廓线站稀疏、时间间隔长，难以连续描述过程前后演变。观测条件不满足时，低空急流等过程难以从常规观测识别，建模案例亦难以积累。配对数据短缺是更直接障碍：场站尺度预报须使用同一时段同一场站的气象观测与机组运行记录，目前由气象机构与发电企业分别持有，记录时段、采样频率与质控标准不一致。现有试验显示此类数据可改善场站尺度风预报，但仅覆盖少数风电场。将此类数据纳入统一事件标注与质控标准，并补充四类过程典型案例，可同时缓解观测短缺与样本稀缺。
6.4 适用范围与长期变化
上述判断针对陆上风电场，海上适用性尚待检验。盐雾、波浪与海上更大空间变率改变复杂天气下误差特征，可用观测条件与技术组合亦不同。陆上技术路径向海上移植需补充海上边界层廓线观测与机组运行数据，并重新检验收益是否成立。环流背景调制这些过程：年代际尺度上各类过程频率随环流背景变化，现有评估所依据的记录长度不足。现有工作多覆盖数年，结论难以外推至更长时间。延长数据序列并在评估中分离环流背景贡献是该方向具体任务。
- 7.
结论
复杂天气下功率预测误差形态由天气过程决定，量级由预测链各环节共同决定。相同强度天气强迫在不同环节留下不同痕迹，误差描述须同时给出过程类型与作用环节，单一总误差难以支撑技术选择。误差一部分取决于大气性质，另一部分取决于建模方法与样本条件，两者处理方式不同：前者须转化为风险信息传递至调度环节，后者方向是增加物理约束与样本。现有技术作用于五个位置：气象驱动场、场站风场、转换关系、机组运行状态与输出端。改进越靠上游，收益需经过越多下游环节，效果受上游天气形势描述可靠性限制。复杂天气下功率大幅升降设定备用容量调整时限，
