关键词：光伏功率预测、风电功率预测、新能源功率预测、云量预测、辐照预测、GHI DNI DHI、短临预测、15分钟功率预测、云变、云图特征提取、云移估计、Nowcasting、卫星云图、NWP高精度气象、3km气象数据、多源气象融合、偏差订正、峰值命中率、ramp预警、概率预测P10P50P90、偏差考核、现货交易、储能调度、虚拟电厂VPP
很多团队做光伏功率预测时都有一个“越做越上头”的痛点：
晴天很准，一到多云/碎云就崩；平均误差还能接受，但峰值命中率惨不忍睹。
如果你把问题归结为“模型不够深”“Transformer没用对”，大概率会走弯路。
因为光伏最难的不是功率曲线，而是云——云的空间尺度小、变化快、遮挡具有强非线性，决定了你能不能把“峰值”和“断崖”抓住。
这篇文章不给你空泛理论，直接用工程语言讲清楚一件事：
把峰值命中率拉回来，核心是：
让云量/辐照成为预测系统的“一等公民”：独立口径、独立订正、独立评估、独立触发策略。
你把云做对了，模型复杂度反而不是第一矛盾。
1）为什么“峰值命中率”总丢？因为云不是噪声，是决定性信号
1.1 峰值命中率为什么比 nRMSE 更难？
nRMSE 会被全天大量“平稳时段”稀释；
但交易和调度最在意的常常是：
11:00–14:00 的峰值（决定能卖多少）
云来云走造成的“功率断崖”（决定偏差罚多少）
15 分钟粒度的 ramp（决定储能怎么动）
峰值命中率丢往往意味着：
你在最值钱的时段“看不见云”，或者云预测被平均掉了。
1.2 云的三个工程特性决定了它“最难”
强局地：几公里的云团差异就能让电站出力差一截
强非线性：云边效应可能导致短时辐照骤升/骤降
强传播：云不是静止的，“移动速度+方向”比“云量本身”更关键
这就是为什么只用 NWP 的小时级云量/辐照，往往对 15 分钟峰值帮助有限。
![]()
2）把云做成“一等公民”：先统一口径，否则你永远在对错数据
很多项目失败在第一步：云量、辐照、功率的口径没统一。
2.1 你必须明确的 4 个口径
时间口径：15 分钟数据是窗平均还是瞬时？
辐照分量：你到底预测的是 GHI 还是 DNI/DHI 还是三者都有？
晴空基准：晴空辐照模型用哪一套（否则 CSI 无法统一）
峰值定义：峰值命中率到底怎么计算（窗口、阈值、允许偏差）
工程建议：把“峰值命中率”定义成可审计指标，例如：
在 10:30–14:30 窗口内，预测峰值时刻±30min 内是否命中，且峰值幅度误差≤X%。
不把指标定义清楚，后面所有优化都无法复盘。
3）光伏预测真正要抓的不是“云量”，而是“辐照的可用表达”
3.1 为什么只用总云量（TCC）往往不够？
总云量对辐照的影响不是线性的：
高云薄云：云量高，但辐照可能还行
低云厚云：云量不一定满，但遮挡非常强
碎云：云量平均不高，但波动极大（峰值最难）
所以真正有用的是“辐照表达”而不是云量百分比。
3.2 三个最实用的辐照特征（强烈建议）
GHI（全球水平辐照）：最基础的功率驱动
DNI + DHI（直射/散射）：决定遮挡与云边效应
晴空指数 CSI = GHI / GHI_clear：把季节、太阳高度角影响剥离
CSI 更适合跨季节建模
CSI 的变化率可以直接做云变识别
工程经验：
把 CSI 和 CSI 的变化率引入后，多云天与碎云天的峰值命中率提升往往比换模型更明显。
![]()
4）“云变天”为什么总翻车？关键在 0–2 小时短临：你缺的是 Nowcasting
光伏峰值最容易丢的场景通常是：
碎云快速移动，0–2 小时内辐照大起大落。
这类场景单靠 NWP 很难抓住，需要 Nowcasting 的思路：
4.1 Nowcasting 的核心：云图特征 + 云移估计（Motion）
你不一定要上最复杂的深度学习云图模型，但至少要做到两件事：
识别云团结构（哪里云厚、哪里云薄）
估计云的移动速度和方向（云往哪走、多久到站）
4.2 最落地的云移估计方案（工程可用）
输入：卫星云图（可见光/红外）或高频云量产品
方法：光流（optical flow）/块匹配（block matching）
输出：未来 15/30/60/120 分钟的云遮挡概率与辐照趋势
落地要点：
先做“趋势是否下降/上升”的判断，就能显著改善峰值错失
不一定一开始就追求每个像素都准确
5）多源融合才是“抗翻车”的关键：NWP 给基线，Nowcasting 抓短临，统计订正兜底
想让峰值命中率稳定，你需要的是“分工明确”的融合架构：
5.1 三段式融合（最推荐、最可交付）
0–2小时：Nowcasting 主导（云移与快速变化）
2–24小时：高精度 NWP 主导（日内基线）
全天：统计订正兜底（分位数订正、季节/天气型校准）
5.2 为什么必须做“偏差订正”？否则你会一直低估或高估峰值
辐照常见系统性偏差包括：
模型对薄云的透射率估计不准 → 峰值系统性偏低
云量偏差导致 CSI 偏移 → 峰值时刻错位
不同季节误差结构不同 → 跨季节就崩
最有效、工程上最稳的订正方式：
按季节/月份分组的分位数映射（Quantile Mapping）
对 CSI 做订正往往比对 GHI 直接订正更稳
![]()
6）把“峰值命中率”拉回来：你要优化的不是均值，而是这四个关键组件
6.1 峰值时刻（Timing）——云移决定时刻
预测峰值错 30–60min，交易价值直接打折
解决：Nowcasting + 云移特征，改善 timing
6.2 峰值幅度（Amplitude）——DNI/DHI 与透射率决定幅度
只用 GHI 容易在云边效应下失真
解决：加入 DNI/DHI、CSI 与变化率
6.3 峰值置信度（Confidence）——区间预测决定你敢不敢报
给交易一条 P50 不够
解决：输出 P10/P50/P90，峰值区间更可用
6.4 峰值风险（Risk）——把“可能掉下去”的概率告诉业务
云变天要的是风险管理
解决：给出“未来 1h 内 CSI 下降超过阈值”的概率（云遮挡风险）
7）一套可落地的模型/特征方案（从低成本到高阶，你可以分阶段上线）
Phase 1：低成本增益（最快见效）
输入：高精度 NWP 辐照（GHI/DNI/DHI）+ 云量（分层更好）
特征：CSI、CSI变化率、太阳高度角、温度（组件效率修正）
输出：P50 + 简单区间（基于历史误差分布校准）
目标：把“系统性偏差”压下去，峰值幅度更可信
Phase 2：加入 Nowcasting（峰值命中率提升最大）
输入：卫星云图/高频云量
云移：光流/块匹配，生成 15/30/60/120min 的遮挡概率
融合：0–2h Nowcast 主导，2–24h NWP 主导
目标：峰值时刻与断崖风险显著改善
Phase 3：概率预测 + 交易可执行输出（真正能赚钱）
输出 P10/P50/P90（峰值区间）
输出云变风险指标（未来 1h 下降概率）
报量策略：云变高风险时自动偏保守分位
目标：偏差成本下降、机会损失减少，收益曲线更稳
8）怎么验收？别只看 nRMSE，用“峰值命中率+云变日回放”做硬指标
建议至少做四类验收（非常适合写进项目合同/交付文档）：
峰值命中率：峰值时刻误差 + 峰值幅度误差
云变日专项指标：选碎云/多云典型日，统计 15min ramp 命中
尾部误差：P95/P99 的误差是否收敛（云变翻车通常在尾部）
交易相关指标：关键窗口偏差成本是否下降（最能说明价值）
爆款内容建议你在文章里放“云变日回放图”：
一张图胜过一千字，读者一眼就懂你解决了什么问题。
结语：光伏预测最难的是云，但云不是玄学——它是可以工程化的
把峰值命中率拉回来，不是再堆一个更大的模型，而是把“云量/辐照预测”做成系统：
统一口径（时间、辐照分量、晴空基准、峰值指标）
用 CSI 与变化率抓云变
用 Nowcasting 抓 0–2 小时的云移与断崖
多源融合 + 分位数订正兜底
输出区间与风险，让交易敢用、能用、用得稳
当你把云当“一等公民”，峰值命中率、断崖预警、交易收益都会回到该有的水平。
关键词：光伏功率预测，风电功率预测，新能源功率预测，云量预测，辐照预测，GHI DNI DHI，晴空指数CSI，云变预测，云图特征提取，云移估计，Nowcasting短临预测，卫星云图，15分钟功率预测，3km高精度气象预报，多源气象融合，NWP偏差订正，概率预测P10P50P90，峰值命中率，ramp爬坡预警，偏差考核，现货交易，储能调度，虚拟电厂VPP。
