ARTICLE · 1197952
收藏!新能源行业算法文档合集:光伏/风电/储能/电池管理一次讲清
目录
一、功率预测算法 二、负荷预测算法 三、基线测算算法 四、算法工程与系统架构 五、政策与标准依据 六、趋势与展望
一、功率预测算法
新能源功率预测是通过气象数据、场站运行数据和算法模型，对未来时段风电/光伏出力进行预估的技术，是新能源参与电力市场、保障电网安全运行的核心基础能力。
1.1 业务场景与需求
| 场景 | 时间尺度 | 分辨率 | 核心需求 |
|---|---|---|---|
1.2 风电功率预测算法
原理链路： 数值天气预报（NWP）→ 风速/风向 → 尾流效应修正 → 功率曲线 → 风电场出力
▸ 国内政策出处：GB/T 40606-2021《风电场功率预测系统功能规范》；NB/T 31055-2014《风电场功率预测系统技术规范》；国能新能〔2011〕《风电场功率预测预报管理暂行办法》
1.2.1 物理方法
NWP + 风电场物理模型：基于大气动力学方程，结合风机功率曲线和尾流模型 适用于新建场站（缺少历史数据时），精度受 NWP 和模型简化影响 主流 NWP 源：ECMWF、GFS、WRF 本地化降尺度
▸ 国内政策出处：GB/T 40606-2021《风电场功率预测系统功能规范》（物理法、功率曲线法）；功率特性测试采用 IEC 61400-12。
1.2.2 统计方法
时间序列模型：ARIMA、SARIMA 捕捉风速/功率的自相关和季节性 回归模型：SVR、GBDT、XGBoost、LightGBM 优势：计算效率高，可解释性好；局限：对极端天气泛化不足
▸ 国内政策出处：GB/T 40606-2021、NB/T 31055-2014《风电场功率预测系统技术规范》（允许采用统计方法，未指定具体模型）。
1.2.3 深度学习方法
LSTM/GRU：捕捉风速序列的长期依赖关系 CNN-LSTM：CNN 提取 NWP 空间特征 + LSTM 建模时序 Seq2Seq + Attention：多步滚动预测，适用于日前 96 点预测 Transformer / Informer：处理长序列预测，捕捉全局依赖 图神经网络（GNN）：多风电场空间相关性联合建模，提升区域预测精度
▸ 国内政策出处：现行国标未强制指定模型；GB/T 40606-2021 鼓励采用人工智能等先进方法，仅对最终预测精度提出要求。
1.2.4 混合/集成方法
物理模型 + ML 误差修正：用 NWP 物理模型做基础预测，ML 模型修正残差 多模型集成（Ensemble）：加权平均、Stacking、Bagging 多 NWP 源融合：融合 ECMWF/GFS/WRF 等不同预报源，降低单一源不确定性
▸ 国内政策出处：同 1.2.3，属工程自主选型；考核仍依据 GB/T 40606-2021 的精度指标。
1.3 光伏功率预测算法
原理链路： NWP → 辐照度（GHI/DNI/DHI）→ 斜面辐照度转换 → 光伏组件模型 → 电站出力
与风电的关键差异：
日周期性强（昼发夜停），需精确建模日出日落时间 云量是关键扰动因子，云层移动建模是核心难点 受温度影响显著（高温导致组件效率下降） 斜面辐照度转换需要电站倾角、方位角参数
算法补充：
地基云图 + 深度学习：利用全天空成像仪预测分钟级云层移动（0-4h 超短期） 卫星云图 + 光流法：区域级云层移动预测（0-6h） 晴空模型 + CNN：晴空辐照度理论值作为基线，CNN 预测云层衰减因子 多源数据融合：NWP + 卫星 + 地基遥感 + 实测辐照度
▸ 国内政策出处：GB/T 40607-2021《光伏电站功率预测系统技术要求》；NB/T 32031-2016《光伏发电功率预测系统技术规范》；国能新能〔2011〕《光伏电站功率预测预报管理暂行办法》。
1.4 预测评价指标
| 指标 | 公式/含义 | 行业参考标准 |
|---|---|---|
▸ 国内政策出处：考核口径与合格率依据 GB/T 40606-2021、GB/T 40607-2021 及《风电场 / 光伏电站功率预测预报管理暂行办法》；各省细则（山西 96 点上报、甘肃、蒙西等）。
1.5 关键技术挑战
NWP 预报不确定性（尤其风速骤变、局地对流云） 极端天气事件（寒潮、台风、沙尘暴）下预测精度急剧下降 新建场站缺历史数据，物理模型精度有限 大规模新能源集群的时空相关性建模 概率预测（非确定性预测）的技术门槛
二、负荷预测算法
电力负荷预测是根据历史负荷数据、气象条件、社会经济因素等，对未来特定时段的电力需求进行预估的技术。
2.1 业务场景与需求
| 场景 | 时间尺度 | 核心需求 | 应用方 |
|---|---|---|---|
▸ 国内政策出处：DL/T 2246-2021《电力系统负荷预测技术规范》；《电力现货市场基本规则（试行）》（发改能源规〔2023〕）。
2.2 影响因素分析
气象因素：
温度（最重要）：夏季制冷负荷、冬季取暖负荷，呈现 U 型/V 型曲线 湿度/体感温度：高温高湿天气推高空调负荷 云量/日照：影响照明负荷和分布式光伏净负荷 风速：影响体感温度和建筑散热
时间因素：
日内规律：工作日上午/下午双峰，夜间低谷（双峰型） 周规律：工作日 vs 周末差异显著（工业负荷周末骤降） 季节规律：夏/冬季高峰，春/秋季低谷 节假日效应：春节负荷骤降，国庆出行导致负荷分布变化
经济与社会因素：
产业结构调整（高耗能产业转移影响基础负荷） 电动汽车充电负荷快速增长 数据中心等新型负荷集中涌现
2.3 算法体系
经典统计方法：
多元线性回归：温度、湿度、日期类型等为自变量 时间序列分解（STL）：趋势 + 周期 + 节假日 + 残差分量 指数平滑（Holt-Winters）：适用于有明显趋势和季节性的序列
机器学习方法：
随机森林、GBDT、XGBoost、LightGBM：特征工程驱动的集成基础学习器 SVR：小样本场景表现稳健 Prophet（Facebook）：自动处理节假日、趋势变点，工程友好
深度学习方法：
LSTM / GRU：建模负荷序列长期依赖 Bi-LSTM + Attention：双向时序建模 混合预测方法：多模型加权平均、Stacking/Blending、编码器-解码器
▸ 国内政策出处：DL/T 2246-2021《电力系统负荷预测技术规范》（规定负荷预测方法与精度要求）。
2.4 评价指标
| 指标 | 含义 | 行业参考标准 |
|---|---|---|
▸ 国内政策出处：DL/T 2246-2021；需求响应场景另见 DL/T 2529-2022《电力需求响应系统技术规范》。
2.5 关键技术挑战
极端天气（持续高温/寒潮）导致负荷模式偏离历史规律 分布式光伏"隐藏"负荷（净负荷预测比传统负荷预测更复杂） 电动汽车充电负荷的随机性和空间分布不均 节假日与重大事件的负荷模式样本稀疏 小区域/单用户级别的负荷预测（高波动、低信噪比）
三、基线测算算法
3.1 概述与应用场景
基线测算（Baseline Measurement）是新能源行业运营管理、电力市场交易、需求响应结算等场景中的核心基础工作。基线是指"在特定条件下，没有干预措施时系统或设备的正常/预期运行水平"，它是衡量偏差、评估效果、进行经济结算的参照系。
| 应用领域 | 基线类型 | 用途 |
|---|---|---|
基线测算的基本原理：
基线测算本质上是"如果没有 XX，正常情况应该是什么样"的反事实推断问题。其核心挑战在于：
不可观测性：基线本身就是一种"假设"状态，无法直接测量 动态变化：天气、季节、生产计划等因素持续改变"正常"的定义 公平性：基线直接关系经济结算，需兼顾精确性和各方利益平衡 可验证性：基线方法必须透明、可复现，经得起监管审计
3.2 发电基线算法
发电基线是指发电设备（尤其是风电场、光伏电站）在给定气象条件下的理论应发电量或预期发电功率。发电基线是新能源场站功率预测考核、现货市场偏差结算的基础。
3.2.1 理论功率法（物理基线）
基于风机功率曲线或光伏组件 IV 特性，结合实测气象参数推算理论出力：
风电理论功率计算：
利用风机制造商提供的标准功率曲线（风速-功率映射表） 输入：实测风速（机舱风速计或测风塔）、空气密度修正 输出：单机理论功率 → 全场累加（考虑尾流折减）
光伏理论功率计算：
基于光伏组件斜面辐照度（POA）和组件温度 计算公式：P_theory = P_stc × (G_poa / G_stc) × [1 + γ × (T_cell - T_stc)] 需考虑：逆变器效率、线损、组件衰减、遮挡等因素
▸ 国内政策出处：NB/T 10314-2019《风电场功率预测系统功能规范》（理论功率与预测基线）；NB/T 10186-2019《光伏发电站功率预测系统技术要求》（光伏理论功率）。
3.2.2 统计基线法
不依赖物理模型，直接从历史运行数据中提取"正常"发电水平：
| 方法 | 原理 | 适用场景 |
|---|---|---|
▸ 国内政策出处：DL/T 2529-2022《电力需求响应系统技术规范》；NB/T 10314-2019。
3.2.3 混合基线法
结合物理模型和统计方法：
物理修正 + 统计校准：用物理模型计算理论功率，再用历史偏差做统计修正 机器学习回归：以 NWP 气象要素为特征，训练模型直接预测基线出力 常用算法：XGBoost、LightGBM、随机森林 优势：可自动捕捉非线性关系和设备老化趋势
▸ 国内政策出处：同 3.2.2，国标未指定具体模型；考核依据 GB/T 40606 / 40607-2021。
3.2.4 发电基线的关键问题
限电识别：如何区分"出力低是因为风/光资源差"还是"被调度限电" 设备状态：检修、故障期间的出力不应纳入"正常"基线 季节性差异：不同季节风/光资源差异大，基线需分季节建模 新场站冷启动：缺乏历史数据时如何建立初始基线
▸ 国内政策出处：NB/T 10314-2019、NB/T 10186-2019。
3.3 负荷基线算法（CBL）
负荷基线（Customer Baseline Load, CBL）是需求响应和电力市场中最核心的测算内容之一。它用于估算"如果没有需求响应事件，用户本该消耗多少电力"，从而计算实际削减量并确定经济补偿。
▸ 国内政策出处：DL/T 2529-2022《电力需求响应系统技术规范》；《电力需求侧管理办法》（2023 修订）；各省需求响应实施细则。
3.3.1 HighXofY 法
从过去 Y 个相似日中选取负荷最高的 X 天，取平均作为基线。
| 参数组合 | 含义 | 典型应用 |
|---|---|---|
"相似日"筛选条件：
同为工作日 / 周末 / 节假日 排除已有需求响应事件的日期 排除用户非正常运行日（检修、停产等）
优点： 简单直观，易于理解和审计 缺点： 对异常值敏感，基线可能偏高（"最高的 X 天"有利于用户）
▸ 国内政策出处：各省需求响应实施细则——江苏（工作日取前 5 个正常工作日平均）、广东（最近 5 个同类型日）。
3.3.2 MidXofY 法
取过去 Y 个相似日中负荷居中的 X 天（去掉最高和最低值后取平均）：
Mid4of6：去掉最高和最低各 1 天，取中间 4 天平均 Mid6of10：去掉最高 2 天和最低 2 天，取中间 6 天平均
优点： 抗异常值，基线更稳定 缺点： 可能不一定代表"正常"情况（去掉了极值天）
▸ 国内政策出处：国内细则较少采用，多用于欧美市场；国内以各省细则的相似日均值法为主。
3.3.3 回归分析法
建立负荷与影响因素的统计回归模型：
多元线性回归：负荷 ~ 温度 + 湿度 + 时间 + 生产计划 分时段回归：峰/平/谷时段分别建模 滚动窗口回归：用最近 N 天数据动态更新模型参数
▸ 国内政策出处：DL/T 2529-2022；PJM / ERCOT 市场规则（工程引进）。
3.3.4 滚动平均法
简单移动平均（SMA）：最近 N 个相似日同时段的负荷平均 指数加权移动平均（EWMA）：距事件日越近权重越大
▸ 国内政策出处：DL/T 2529-2022；各省细则（如广东快下快上 / 实时响应取执行前 2 小时负荷）。
3.3.5 CBL 方法的考核指标
| 指标 | 说明 |
|---|---|
▸ 国内政策出处：DL/T 2529-2022；各省细则的响应量核算与有效响应判定。
3.3.6 调整系数
为了消除系统性偏差，通常引入调整系数（Adjustment Factor）：
事件前调整：CBL_adj = CBL_raw × (事件日响应窗口前 2h 实际负荷 / 基线对应时段负荷) 对称调整：基于事件前后各 N 小时的平均偏差进行调整
▸ 国内政策出处：DL/T 2529-2022；各省细则（广东事件日调整、上限封顶 120% 等）。
3.4 基线在电力市场中的应用
3.4.1 需求响应结算
基线是需求响应经济补偿的计算基础：
响应量 = 基线负荷 - 实际负荷 补偿金额 = 响应量 × 补偿单价
实际流程：
调度机构发布需求响应事件（提前 2h/30min 通知） 事件结束后，调用 CBL 算法计算用户基线 对比基线与实际负荷曲线，确定有效响应量 按约定的补偿标准结算
▸ 国内政策出处：《电力需求侧管理办法》（2023 修订）；DL/T 2529-2022；各省需求响应实施细则。
3.4.2 现货市场偏差结算
| 场景 | 基线作用 |
|---|---|
▸ 国内政策出处：《电力现货市场基本规则（试行）》（发改能源规〔2023〕）；各省现货市场规则。
3.4.3 辅助服务基线
| 辅助服务类型 | 基线定义 | 结算方式 |
|---|---|---|
▸ 国内政策出处：《电力辅助服务管理办法》（国能发监管规〔2021〕61 号）；《电力并网运行管理规定》。
3.4.4 新能源偏差考核
新能源场站需对功率预测偏差负责：
| 省份 | 预测要求 | 考核标准 |
|---|---|---|
免考核电量范围：
因电网安全约束导致的限电 因设备检修（已申报）导致的出力偏差 因极端天气等不可抗力
▸ 国内政策出处：各省现货市场规则；国能发监管规〔2021〕61 号（考核数值需与 5.4 节统一）。
3.5 碳排放基线算法
碳排放基线是企业碳配额分配和碳交易的基础参照。
3.5.1 行业基准线法
按行业单位产品碳排放强度设定基准值：
电力行业典型基准： 常规燃煤机组：~0.877 tCO₂/MWh（300MW 等级以上） 燃气机组：~0.392 tCO₂/MWh 基准值的确定依据：行业先进水平（通常取前 30%）
▸ 国内政策出处：《碳排放权交易管理办法（试行）》；生态环境部《全国碳排放权交易配额总量设定与分配实施方案（发电行业）》。
3.5.2 历史强度法
基于企业自身历史碳排放强度确定基线：
取过去 3-5 年碳排放强度的加权平均值 逐年下降系数（如年降 1-2%）体现减排要求
▸ 国内政策出处：同上（配额分配的历史法）。
3.5.3 碳基线测算的关键参数
| 参数 | 说明 |
|---|---|
▸ 国内政策出处：生态环境部配额分配方案；电网排放因子见《企业温室气体排放核算与报告指南·发电设施》。
3.6 算法分类总览
| 类别 | 代表方法 | 复杂度 | 适用场景 |
|---|---|---|---|
▸ 国内政策出处：综合自上（DL/T 2529-2022、GB/T 40606 / 40607-2021、生态环境部配额方案）。
3.7 基线质量评价
| 评价维度 | 指标 | 说明 |
|---|---|---|
▸ 国内政策出处：DL/T 2529-2022；基线综合评价指标参考 LBNL / ASHRAE Guideline 14。
四、算法工程与系统架构
4.1 预测系统架构
数据层：
气象数据：NWP 模式数据（ECMWF/GFS/WRF）、卫星云图、地基云图、实测辐照度/风速 场站数据：SCADA 实时运行数据、历史功率曲线、风机/组件参数 电网数据：节点负荷、线路潮流、检修计划 市场数据：现货价格、中长期合约、偏差考核记录
算法层：
数据预处理：异常检测、缺失填补、归一化/标准化 特征工程：时频特征提取、天气特征构建、统计特征 模型训练与评估：离线训练 + 在线推理，滑动窗口评估 模型管理：版本管理、A/B 测试、自动回滚
应用层：
日前/实时预测结果生成与发布 预测误差分析与告警 现货交易辅助决策 偏差考核与风险管理 多场站联合预测与聚合
4.2 基线测算系统架构
数据接入层：SCADA 数据、气象数据、市场数据、用户生产计划 数据预处理层：异常值检测与修复、缺失值填充、数据标准化 基线计算引擎：多算法并行计算，支持自定义规则配置 结果评估层：自动评估各方法基线质量，推荐最优基线 应用输出层：基线发布、结算单生成、偏差分析报告
4.3 主流预测系统产品
国内：金风科技（Goldwind）预测系统、远景能源（Envision）格林威治平台、国能日新、东润环能、南瑞继保 国际：DNV GL、Vaisala、Vortex、Meteomatics、Solargis 趋势：云 SaaS 化部署、AI 原生架构、多源数据融合成为标配
五、政策与标准依据
5.1 国家层面核心政策 — 电力市场化改革
| 政策文件 | 文号/时间 | 与算法的关联 |
|---|---|---|
5.2 国家层面核心政策 — 新能源功率预测专项
| 政策文件 | 文号/时间 | 核心要求 |
|---|---|---|
5.3 地方实施细则（各省现货试点）
第一批现货试点省份（8 个）：
| 省份 | 关键规则 | 偏差考核要点 |
|---|---|---|
第二批现货试点省份（6 个）： 辽宁、江苏、安徽、河南、上海、湖北
5.4 新能源功率预测考核要求（典型标准）
| 考核项 | 风电 | 光伏 |
|---|---|---|
5.5 国家标准与技术规范
| 标准编号 | 名称 |
|---|---|
5.6 基线测算相关政策依据
需求响应基线政策：
| 政策文件 | 核心内容 | 基线相关条款 |
|---|---|---|
电力市场基线政策：
| 政策文件 | 核心内容 |
|---|---|
碳排放基线政策：
| 政策文件 | 核心内容 |
|---|---|
附录：算法与缩写速查（A-Z）
| 缩写 | 全称 | 中文 |
|---|---|---|
