关键词：风电功率预测、风电短期预测、新能源功率预测、同风速不同功率、尾流效应、偏航误差、偏航对功率影响、可用机组数、可用容量 AvailCap、SCADA 数据、机组状态码、风向、湍流强度 TI、功率曲线、限功率、降额、机组可用率、机组级建模、场站聚合预测、误差分析、ramp 预警、数据治理
你在风电场现场经常会看到一个“反直觉”现象：
同样的风速，功率可能差一倍。
这不是模型不够复杂，也不是“数据噪声大”一句话能解释的，而是风电场本质上存在三类强约束：
尾流（Wake）：上游机组把下游风“吃掉”，风速下降、湍流增强
偏航（Yaw）：机组没有正对来风，功率会显著下降
可用机组数/可用容量（AvailCap）：停机、故障、限功率、检修导致上限变化
如果你的风电功率预测模型只把“某高度风速”当主输入，忽略这三类因素，就会出现典型问题：
高风速时系统性高估（以为能满发，实际可用台数下降或限功率）
同一风速功率散点呈“厚云团”，回归只能学平均
某些风向误差特别大（尾流方向性强）
线上表现不稳，策略一变就崩
本文给你一套可交付、可实施、可验收的工程建模方案：
用机组级 SCADA + 传播/尾流特征 + 偏航特征 + AvailCap 门控，把“同风速不同功率”的误差从根上压下去。
1. 先对齐物理：为什么同风速功率会差一倍？
1.1 尾流：风速没变“你的风”变了
NWP 或测风塔给的是自由来流（free-stream），但机组实际吃到的是：
被上游抽能后的风
湍流增强后的有效风
在特定风向下被尾流“罩住”的风
因此你会看到：
同样的测得风速，处在尾流中的机组功率显著更低。
1.2 偏航：风向偏 10–20°，功率会明显掉
机组功率与偏航误差（yaw misalignment）呈强非线性关系。
偏航不正对来风时，等效风速分量下降，功率可能明显下滑，尤其在中高风速区间。
1.3 可用机组数：总功率是“台数×单机功率”，不是单机曲线能解释的
场站总功率近似满足：
当可用台数变化时，上限随之变化。
如果你用固定装机容量做归一化，模型会反复在“上限漂移”上犯错。
2. 最小可落地数据清单（没有这些，再强模型也很难稳定）
2.1 机组级 SCADA（建议 1–5 分钟）
每台机组至少要有：
有功功率 PiP_iPi
机舱风速 WSnac,iWS_{nac,i}WSnac,i（或轮毂风速）
机舱风向/偏航角 WDi/yawiWD_i / yaw_iWDi/yawi
桨距角 pitch、转速 rpm（强烈建议）
状态码（运行/停机/故障/限功率/检修）
2.2 静态信息
机组坐标（经纬度或平面坐标）
机型与额定功率
轮毂高度、转子直径 D（用于尾流距离归一化）
如果暂时拿不到机组级，至少要拿到：
可用机组数/AvailCap + 场站功率 + 风向风速（多高度更好），否则“同风速不同功率”几乎无法解释。
3. 工程建模总体框架：三层拆解比单模型回归更稳
建议把风电功率预测拆成三层（这也是可交付、可解释的系统结构）：
可用容量层（AvailCap Gate）：确定“今天能发多少上限”
空气动力层（Wake + Yaw）：解释“同风速不同功率”
预测层（ML/DL）：学习残差与非线性细节（短期/短临）
最终输出可以是：
自然可发功率（不含限电）
执行功率（含可用容量与限功率约束）
概率区间 P10/P50/P90 + ramp 风险（更可用于调度/交易）
4. 可用机组数/AvailCap：先把“上限漂移”解决掉
4.1 AvailCap 的两种落地方式
方式A：直接使用可用机组数/可用容量字段（最佳）
AvailTurbines(t)、AvailCap(t)、DeratedCap(t)等
方式B：没有字段时的代理重建（可落地）
用状态码判定可用机组：运行/并网/故障/检修
或用功率+风速规则：风速中等但长时间功率为 0 → 高概率不可用
用近窗最大功率估计可用容量上限（滚动上限）
4.2 建模建议（很实用）
总功率预测先输出“单位可用容量的归一化功率”，再乘以 AvailCap
或加入约束：预测输出不超过 AvailCap
这样能直接减少一种常见高估：
高风速时预测超过真实可用上限。
5. 尾流建模：不需要复杂 CFD，也能工程落地（Wake Proxy 特征）
你不必上来就做复杂尾流物理模型。工程上更实用的是构造“尾流代理特征”（wake proxy）：
5.1 机组邻域与上游判定
对每台机组 i：
找周围一定半径内的邻居机组 j
根据当前风向判定 j 是否在 i 的上游扇区内
计算上游影响强度（越近、越正对越强）
5.2 关键特征（建议直接做进特征库）
上游机组数量
N_upwind上游距离加权和
Σ exp(-d/σ)上游功率加权
Σ P_j * exp(-d/σ)（代表“上游抽能强度”）上游风速/湍流代理（若可得）
方向一致性：上游夹角分布（越集中尾流越强）
5.3 尾流强度随风向变化：必须做“风向分段”
尾流是强方向性的。建议把风向离散成扇区（例如 12 或 16 个扇区）：
每个扇区独立学习尾流影响参数
或用 GAT 注意力自动学习不同上游邻居权重
这一步经常能直接解释：
为什么某些风向误差特别大。
6. 偏航建模：把“风向偏差”变成可学习的功率折减项
偏航误差的实用工程定义：
其中 WDfreeWD_{free}WDfree 可以用：
测风塔风向
NWP 风向
或场内多机组风向的鲁棒聚合（中位数）
6.1 可落地偏航特征
yaw_misalign = wrap_angle(WD_free - yaw)cos(misalign)、cos^2(misalign)（常用代理）d(yaw)/dt：偏航动作是否跟得上（对阵风变化很关键）
6.2 工程经验
偏航误差对中高风速影响更明显
误差会和湍流、尾流叠加（更难预测）
所以偏航特征要与尾流特征一起进入模型，而不是单独做一个线性修正。
7. “同风速功率差一倍”的最佳落地模型结构（两种你都能卖）
结构A：机组级 → 聚合（精度最好）
每台机组预测 Pi(t+Δ)P_i(t+Δ)Pi(t+Δ)（输入：WS、yaw、wake proxy、状态）
聚合得到场站功率：Pfarm=∑PiP_{farm}=\sum P_iPfarm=∑Pi
输出区间与风险（P10/P50/P90、ramp）
适合：大基地、需要解释“哪个机组拖后腿”的客户。
结构B：场站级（更快交付，但也能显著提升）
构造场站级统计特征：
可用台数、上游强度统计、偏航误差分布统计
用 ML/DL 预测场站功率，并做 AvailCap 门控
适合：数据接入限制多、需要快速上线的客户。
8. 评估与验收：别只看 nRMSE，要看“同风速散点是否变细”
要验证你是否真的解决了“同风速不同功率”，建议验收时加两个非常直观的指标：
8.1 条件误差（Conditional Error）
在风速分箱下统计误差（按 ws_bin）：
重点看中高风速段误差是否下降
重点看某些风向扇区误差是否下降
8.2 “散点厚度”指标（很实用）
对风速-功率散点的垂直离散度（比如 IQR 或 std）：
加入尾流/偏航/AvailCap 后，应明显变窄
变窄代表模型可解释性增强、不可辨识性减少
8.3 业务指标（更容易打动客户）
高风速时段高估比例下降（减少偏差考核风险）
ramp 时段误差下降（备用与储能更有效）
上线稳定性提升（策略变化不易翻车）
Q1：为什么风速一样，功率能差这么多？
A：风速只是资源的一部分。尾流导致下游有效风下降、湍流增强；偏航误差导致迎风分量下降；可用机组数变化导致上限漂移。三者叠加就会出现“同风速功率差一倍”。
Q2：没有机组级数据还能做吗？
A：能做但效果有限。最低限度要拿到可用容量/可用台数（AvailCap）与风向风速；尾流与偏航最好通过机组级 SCADA 才能建得稳。
Q3：尾流建模一定要上复杂物理模型吗？
A：不必。工程上先用“上游邻居+方向+距离”的 wake proxy 特征，往往就能显著提升；再逐步叠加更精细的模型。
