- CalibSun | 专业领域
概率预测 太阳能资产不确定性的管理
提供太阳能发电预测情景
概率性太阳能发电预测估算的是太阳能发电量的可能结果范围，而非单一的预期值。确定性预测模型则在每个时间步长内给出一个数值（Q50）。 概率预测提供了一个完整的分布，通常通过从Q05到Q95的分位数来表示。 它量化了与每项光伏发电量预测相关的预测不确定性。这一区别正逐渐成为 IPP, 能源 交易商、聚合商 以及电网运营商，他们必须在各种太阳能发电情景之间进行协调，实时处理现货市场和日内电力市场的不平衡罚款，并优化太阳能发电资产的调度——这些资产的发电量在天气条件变化时本就具有波动性。.
不确定性的程度取决于预报时效、天气变异性（尤其是云量动态）以及输入数据的质量，这些数据包括从现场测量的太阳辐射通量（GHI）到卫星图像和数值天气预报（NWP）等。. NEXT 将这些数据源整合到一个模拟集合框架中，并通过现场测量进行持续重新校准，以 原生提供能够反映实际结果分布的概率性太阳能发电预测 而不是依赖于那些掩盖了变异结构的确定性平均值。
要点总结
- CalibSun 是唯一一款在 NEXT 中原生提供概率预报和确定性预报的预报系统，该系统基于模拟集合方法，并结合现场数据。.
- CalibSun 的概率性太阳能发电预测将光伏发电量表示为从 Q5 到 Q95、以 Q5 为间隔的分位数结果分布。
- 该方法论拥有悠久的科学研究历史，并与Mines Paris – PSL（Mines Paris – PSL）开展了合作，其理论基础源自经同行评审的学术论文（IEEE、EUPVSEC等）。
- 运营优势主要体现在现货市场的能源交易、偏差管理以及光伏电站的储能管理方面。
- 概率预测
确定性预测与概率性预测：两种方法，两种应用场景
CalibSun 的概率预测方法基于类比集合，这是一种非参数统计方法。
机制与关键概念
确定性预测会为每个时间步生成一个太阳能发电量的预期值。概率性预测则描述了 完全条件分布 可能的结果范围，通常通过分位数来概括。Q10 代表产量有 10% 概率低于该值的阈值；Q50 是中位数；Q90 是高产量阈值。 Q10–Q90包络线是体现预测不确定性的80%预测区间。
输入数据
构建该分布需要三类输入数据：
- 现场测量 提供太阳辐射（GHI、GTI）和当地气象条件（温度、湿度……）的地面实测数据，捕捉卫星无法观测到的短期云量变化。
- 卫星影像 将空间感知扩展到周围的云区。
- NWP 提供驱动日前发电的综观天气变量。各数据源的相对权重随预测时域而变化：短期内以现场观测数据为主，日前时段以数值天气预报为主，而卫星数据则在日内时段起到衔接作用。
检索历史上的类似情况
该模型会搜索历史数据，寻找与当前预测条件在气象上相似的过往情况，然后根据这些类比案例重建观测结果的分布。对于检索到的每个类比案例，都会记录其实际观测到的光伏发电量。这些观测值的集合构成了概率预测的经验分布。
这种非参数方法具有两个结构上的优势：
- 这使得 不对分布的形状（高斯分布、对数正态分布）作任何假设,
- 它自然地捕捉到了太阳能发电的非线性和非对称行为，例如在晴空条件下发电量达到上限后出现削减的情况。
Q5至Q95分位数的生成与校准
从类比集合生成的经验分布中，提取分位数 Q5、Q10、……、Q95。校准可确保 统计可靠性：在较长的观测期内，Q10预测值必须在约90%的时间内被实际产量超过。CalibSun通过可靠性图以及对历史数据的持续后处理来验证校准结果，并针对每个站点和每个预测时域进行校正。
每种方法的局限性是什么？
确定性的
确定性预测模型掩盖了天气条件背后的变异性结构。 两项指向相同预期太阳能发电量的预测，在不确定性来源方面可能具有截然不同的风险特征。在天气条件稳定的情况下，可能结果的范围（通过Q5至Q95的预测区间表示）仍然较窄。而在云量变化剧烈的条件下，这种集合预测的范围会显著扩大。 单一的确定性数值无法体现这一差异，也无法向太阳能行业参与者传达其所需的完整概率估计。
概率性
概率预测方法若 仅依赖卫星影像，则 缺乏捕捉特定站点云动态所需的局部短期分辨率。基于 仅在NWP上 其空间分辨率较低，且在日内预测时域内的响应能力有限。相反，仅依赖现场测量的方法，随着预测时域的延长，其准确性会逐渐降低。 要进行可靠的概率性太阳能发电预测，需要 将这三个来源结合起来，并根据预测时域进行加权。
对比表：确定性预测与概率性预测
确定性预测
概率预测
输出
单一期望值
完整分布 Q5–Q95
不确定性量化
无
显式，按时间步长
现货市场交易
有限套利
风险调整型竞标（Q30、Q70、自适应方法）
偏差管理
反应性
预期、量化
储能/混合系统控制
非最优
基于风险的优化
数据来源
通常仅通过卫星
地面观测数据 + 卫星数据 + 数值天气预报
构建概率模型： CalibSun的科学方法
我们的市场差异化优势
CalibSun 目前是 唯一一家原生同时提供概率预测与确定性预测的预测服务商 基于一个单一的集成模型。
- 期望值是标准运营监控的确定性参考；
- Q5 至 Q95 为基于风险的决策提供了不确定性包络。
这种双重输出得益于类比集合方法，该方法可直接生成分布——确定性值只是副产品，而非独立的模型。
第二个区别在于 通过现场测量进行持续重新校准。安装在光伏电站上的日照计和天空成像仪会向模型实时传输数据，从而根据当地实际太阳能资源的变化情况调整分布情况。对于多吉瓦级项目组合而言，这种重新校准至关重要，因为在这些项目中，微小的偏差会迅速累积，从而导致显著的不平衡风险。
相关科学文献
该方法论借鉴了经同行评审的文献，涵盖了利用分位数回归进行概率性太阳能预测、天气情景生成、类比集合方法以及概率性预测的可靠性评估等内容，这些文献发表于IEEE期刊或曾在EUPVSEC等科学会议上发表，还包括其他关于能源预测和太阳能光伏系统的技术综述。
CalibSun内部研究
CalibSun 的概率预测方法基于数据科学家托马斯·卡里耶（Thomas Carrière）博士长期领导的太阳能资源评估研究，该研究专注于将类比集合技术应用于光伏发电领域。
该模型是与太阳能及大气数据处理领域的权威实验室——Persee（Mines Paris – PSL）开展科学合作开发的，这确保了在类比选择函数、校准框架和验证方案方面方法论的严谨性。
以科研与科学为后盾
概率预测： 运营应用场景
交易、平衡与发电差异罚金
在现电市场中，概率预测使能源交易商能够根据使预期不平衡成本最小的分位数来提交报价。当处罚具有不对称性时——即超产的处罚比欠产更重，或者反之——该 最优出价很少是Q50中位数：这是与罚款结构相匹配的分位数（根据市场状况和条件概率评估，分别为Q30、Q40、Q70）。这种出价策略的优化，在确定性预测模型下是无法实现的。
储能、混合发电与容量配置
对于与电池储能系统并联或与风电实现混合并网的光伏电站，概率预测为 能源管理系统 并提供基于风险的调度所需的输入数据。在运行阶段，概率预测方法有助于优化电池储能系统（BESS）的充放电循环决策，从而最大限度地延长太阳能储能系统的使用寿命。
- 问题
关于概率预测的常见问题
概率预测有哪些优点？
概率预测能够对不确定性进行明确量化，从而支持在现货市场交易、能源管理、偏差削减以及储能调度等领域做出风险调整后的决策。与确定性预测结果相比，概率预测通过揭示各种可能的发电情景范围，有助于提升运营绩效。
CalibSun 是否同时提供确定性预测和概率性预测？
是的。CalibSun 的预测服务 NEXT 和 INSTANT 原生支持确定性（期望值）和概率分布，不确定性范围覆盖 Q5 至 Q95。这种双重输出既支持标准运营监测，也支持基于风险的高级决策。
概率预测的可靠性是如何验证的？
可靠性是通过可靠性图和对历史数据的统计分析来验证的：在较长的观测期内，实际产量应有约90%的时间超过Q10预测值。CalibSun针对每个站点和每个预测时域进行持续校准，以保持这种统计一致性。
除了交易之外，这些概率预测还有哪些其他应用？
预测发电量是优化可再生能源管理的必要条件。通过提供一个功率输出范围而非单一数值，CalibSun有助于使太阳能具有可调控性，并优化其在电网中的集成，无论是否配备储能系统。
