- CalibSun | 专业积淀
概率预测 管理光伏资产的不确定性
提供光伏发电的情景预测
概率性光伏发电预测估算的是发电量的可能结果分布，而不是单一的期望值。确定性预测模型在每个时间步只给出一个数值（Q50）。 概率预测则给出完整分布，通常用 Q05 到 Q95 的分位数来表示。 它量化每一项光伏出力预测所伴随的不确定性。这一区分正逐渐成为 IPP、 交易商、聚合商 及电网运营方的结构性要求，他们必须在各种光伏发电情景之间做权衡、实时处理现货与日内市场的偏差考核费用，并优化光伏资产的调度，而这些资产的出力本就会随天气变化而波动。
不确定性有多大，取决于预测时域、天气变化（尤其是云量动态），以及输入数据的质量，从现场实测的 GHI 到卫星影像和数值天气预报。 NEXT 把这些数据源整合在一个类比集合框架里，并通过现场实测持续重新校准，从而 原生输出能够反映真实结果分布的概率性光伏发电预测 ，而不是依赖掩盖了波动结构的确定性均值。
要点总结
- CalibSun 在 NEXT 中原生提供概率预测与确定性预测，底层采用类比集合方法，并把现场数据一并融合进来。
- CalibSun 的概率光伏预测，把光伏出力表示成一整套分位数分布：从 Q5 到 Q95，每隔 5% 一个分位点。
- 该方法有悠久的科研积累，与法国国立巴黎高等矿业学校合作，理论基础来自经同行评审的论文（IEEE、EUPVSEC 等）。
- 运营价值主要集中在现货市场能源交易、偏差管理和光伏电站储能管理。
机制与关键概念
确定性预测为每个时间步给出一个光伏发电量期望值。概率预测描述的则是 完整的条件分布 可能的结果范围，通常用分位数概括。Q10 表示实际发电量有 10% 概率低于该阈值；Q50 是中位数；Q90 是高产出阈值。Q10 到 Q90 这一区间，就是体现预测不确定性的 80% 预测区间。
输入数据
构建这一分布需要输入三类数据：
- 现场实测数据 提供太阳辐照度（GHI、GTI）和当地气象条件（温度、湿度等）的真实基准值，能捕捉到卫星无法观测的短期云量变化。
- 卫星影像 让预测不再局限于电站上空，还能掌握周边云层的移动和分布。
- 数值天气预报 提供驱动日前发电的天气形势变量。各数据源的权重随预测时域动态变化：短期以现场实测为主，日前以数值天气预报为主，卫星数据则在日内衔接过渡。
检索历史上的类似情况
模型从历史数据中，找出与当前预测条件在气象上相似的过往情形，再据此重建观测结果的分布。每检索到一个类比案例，就记录其实际观测到的光伏出力。这些观测值汇总起来，就构成概率预测的经验分布。
这种非参数方法有两个结构性优势：
- 不对分布形状（高斯分布、对数正态分布）作任何 假设,
- 能自然捕捉光伏发电的非线性和非对称行为，例如晴空条件下发电量触顶后被削减的情况。
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 Q5、Q10、……、Q95 分位数。校准要保证 统计可靠性：在较长观测期内，Q10 预测值必须在约 90% 的时间里被实际发电量超过。CalibSun 通过可靠性图和对历史数据的持续后处理来验证校准，并针对每个场站、每个预测时域进行校正。
各方法分别存在哪些局限？
确定性的
确定性预测模型会掩盖天气背后的波动结构。 即便两项预测给出相同的期望发电量，其不确定性来源也可能完全不同，风险特征因此大相径庭。天气稳定时，可能结果的范围（用 Q5 到 Q95 的预测区间表示）很窄；一旦云量剧烈变化，集合分布就会明显变宽。单一确定性数值既体现不出这种差别，也传达不了光伏行业参与者所需的完整概率估计。
概率性
概率预测方法若 只依赖卫星影像， 就缺少捕捉具体场站云动态所需的局地短期分辨率。基于 仅 NWP 的方法，空间分辨率偏粗，日内时域的响应也有限。反过来，只依赖现场实测的方法，随着预测时域拉长，精度会逐步下降。 要做可靠的概率性光伏发电预测，就需要 把这三类数据源结合起来，并按预测时域分配权重。
对比表：确定性预测与概率预测
确定性预测
概率预测
输出
单一期望值
完整分布 Q5 至 Q95
不确定性量化
无
显式输出，逐时间步给出
现货市场交易
套利机会有限
风险调整型申报（Q30、Q70、自适应方法）
偏差管理
被动应对
提前预判、量化
储能/混合系统控制
不够理想
针对风险进行优化
数据来源
通常仅用卫星
现场实测 + 卫星 + 数值天气预报
构建概率模型： CalibSun的科学方法
我们的差异化优势
CalibSun 是少数 能同时输出概率预测与确定性预测的预测服务商之一 ，而且这两类结果直接由同一个集成模型给出，无需另外拼接。
- 期望值可作为标准运营监控的确定性参考；
- Q5 至 Q95 则为风险决策提供不确定性区间。
这种双输出得益于类比集合方法，它能直接生成分布，确定性数值只是副产品，而不是另一个单独的模型。
第二个差异点在于 通过现场实测进行持续校准。电站上的总辐射表和天空成像仪把数据实时送入模型，让预测分布跟着当地实际光照资源的变化走。对于多吉瓦级资产组合，这种校准尤其关键，因为在这种体量上，一点点偏差都会迅速叠加，最终带来不容忽视的偏差风险。
相关科学文献
这套方法借鉴了多项经同行评审的文献，涵盖基于分位数回归的概率光伏预测、天气情景生成、类比集合方法，以及概率预测的可靠性评估。这些文献发表于 IEEE 期刊，或见于 EUPVSEC 等科学会议，此外还包括能源预测与光伏系统方面的其他技术综述。
CalibSun内部研究
CalibSun 的概率预测方法，来自数据科学家托马斯·卡里耶博士长期主持的一项光伏资源评估研究，核心就是把类比集合技术用到光伏发电上。
模型由 CalibSun 与法国国立巴黎高等矿业学校Persee 实验室合作开发。该实验室是光伏和大气数据处理领域的权威机构，正是这一合作，保证了类比选择函数、校准框架和验证方案在方法论上足够严谨。
以科研为后盾
概率预测： 运营应用场景
交易、平衡与偏差考核费用
在现货市场中，概率预测让能源交易商可以按"使预期偏差成本最小"的分位数来申报。当罚款结构不对称时，比如超产罚得比欠产重，或者反过来， 最优报价往往不是 Q50 中位数，而是与罚款结构相匹配的那个分位数，视市场状况和条件概率评估，可能是 Q30、Q40 或 Q70。这种申报策略的优化，确定性预测模型根本做不到。
储能、混合发电与容量配置
对于配电池储能或与风电混合的光伏电站，概率预测能为 能源管理系统 提供风险调度所需的关键输入。在运行阶段，概率预测方法有助于优化储能系统的充放电决策，从而尽可能延长储能系统的寿命。
- 常见问题
关于概率预测的常见问题
概率预测有哪些优点？
概率预测能对不确定性进行明确量化，从而支持现货市场交易、能源管理、偏差削减、储能调度等领域的风险调整决策。相比确定性输出，它通过呈现各种可能的出力情景，有助于提升运营绩效。
CalibSun 能否同时提供确定性预测和概率预测？
可以。CalibSun 的预测服务 NEXT 和 INSTANT 同时输出确定性预测（期望值）与概率分布，不确定性区间覆盖 Q5 至 Q95。这种双输出既能满足常规运营监测，也能辅助高级风险决策。
如何验证概率预测的可靠性？
可靠性通过可靠性图和对历史数据的统计分析来验证：在较长观测期内，实际发电量应有约 90% 的时间超过 Q10 预测值。CalibSun 针对每个场站、每个预测时域持续校准，以维持这种统计上的一致性。
除了辅助交易以外，概率预测还能用于哪些环节？
预判发电量是优化可再生能源管理的基础。CalibSun 提供的不是单一数值，而是功率输出区间，有没有储能，光伏发电都能实现调度、顺利并网。
