风电功率预测置信区间全解析：从构造方法到可视化实战

做风电功率预测这几年，我最大的感受是：算法给出来的那个“点预测值”，在真实业务场景里往往不够用。调度员打电话来，问的是“明天中午这个风电场出力能到多少，上限下限是多少”；电力交易员更直接，问“你的预测区间是多少，我按哪个范围去申报”。这时候你只给一个数字，哪怕它再准，都很难让对方放心做决策。所以置信区间这个东西，在风电功率预测里早就不是“论文加分项”了，而是实打实的业务刚需。

这篇内容我会围绕一套完整思路来梳理：为什么风电预测必须做区间、置信区间到底怎么构造、误差分析能不能只看RMSE、以及大家最近高频搜索的“每个数据点都有自己的置信区间图到底怎么画”。适合正在做新能源功率预测的算法工程师、做科研的学生、电力交易和调度相关从业者，以及被置信区间图折腾过的可视化选手。

1. 只给一个预测值是交不了差的：风电预测场景里置信区间为什么是刚需

1.1 从“一个数字”到“一个区间”：不确定性始终存在，只是被点预测掩盖了

风电功率预测和很多时间序列预测不太一样，它的扰动源特别多。来风本身是强随机过程，数值天气预报（NWP）的输入有误差，风电场内部的地形、尾流、机组状态随时在变，所以无论模型多好，预测值和实际出力之间一定有偏差。点预测给出的是一天里每个时刻的“期望出力”，但这个期望值后面藏着的波动范围有多大，它不告诉你。

举个实际例子：某天下午3点，预测出力是180MW，实际可能在120MW到240MW之间晃动。调度系统如果按180MW去安排火电备用，那就必须额外准备足够的上调和下调容量。可如果给的是一组区间，比如90%置信水平下出力落在135MW-225MW，调度就能算出自己该留多少备用，该不该提前启动热备用机组。这就是区间预测的工程价值：它把不确定性显式地传递给了决策环节，让人有能力做风险评估。

所以我在实际项目中一直强调一句话：点预测解决的是“大概多少”的问题，区间预测解决的是“大概在什么范围”的问题。两个结合起来，才是一个完整的预报产品。

1.2 先分清楚：置信区间和预测区间不是同一件事

这个词很多人混着用，但严格来说有区别。置信区间（confidence interval）是针对模型参数或者期望值的估计区间，比如“我们估计平均出力在160-175MW之间”，它描述的是对参数估计的不确定性。而我们做风电预测时，真正给调度、给交易系统用的，是预测区间（prediction interval），它针对的是未来某一个时刻实际观测值的可能范围，比如“下一小时实际功率有90%概率落在100-220MW之间”。

预测区间天然比置信区间宽，因为它除了包含参数估计误差，还包含新观测点的随机噪声。实际做风电预测的人，日常说的“置信区间”大多数时候其实是预测区间。这不影响交流，但是在写文档、发论文、和电网对接的时候，最好把术语写准确，否则评审专家或者对方的技术人员会抓着这个细节挑毛病，挺尴尬的。

1.3 两个绕不开的业务抓手：考核和交易都在逼你交区间

国内风电功率预测考核体系里，对上报的短期预测、超短期预测都有误差统计要求，比如日均方根误差、月均误差超限次数、合格率等。虽然考核对象主要是点预测，但很多省网已经把区间上报纳入规范化流程。你报的预测曲线必须配套一个可信区间，调度做安全校核时才会采信。换句话说，拿不出区间的预测系统，在并网考核里是处于被动地位的。

电力现货交易是另一个强驱动。风电参与日前、日内交易，报价本质上是基于预测的出力范围做申报策略。如果你的预测只有一个点，那交易员就不知道用多少置信度去博弈；如果有P10-P90区间，交易员至少知道最悲观的出力和最乐观的出力，再结合电价预测决定报高价还是报低价。所以每一次现货交易复盘，回头分析预测区间质量，几乎成了标配动作。

2. 区间是从哪来的：三种主流构造方法及选型逻辑

2.1 分位数回归：直接建模P10、P50、P90

分位数回归是这个场景下最直接、最容易上手的方案。普通回归模型拟合的是条件均值，也就是点预测；分位数回归拟合的是条件分位数，比如10%分位数、90%分位数，直接把区间上下边界作为模型输出。

具体到实现，常见做法是把LightGBM或者XGBoost的损失函数换成pinball loss。pinball loss的公式不复杂：当预测分位数为q时，如果实际值大于预测值，损失是q乘以误差；如果实际值小于预测值，损失是(1-q)乘以误差。这个不对称的惩罚，让模型学会拟合不同分位点。训练的时候分别用alpha=0.1、0.5、0.9跑三个模型，输出就是P10、P50、P90三条曲线。

我个人的经验是，梯度提升树配合分位数目标函数，在风电场景下比线性分位数回归稳得多，主要是因为风功率和风速之间是强非线性关系，树模型能捕捉NWP风速、风向、温度等多变量交互效应。缺点是树模型本身的预测不确定性没有被量化，所以输出区间可能偏窄，需要后续校准。

2.2 残差自举法：在已有点预测模型的基础上补区间

如果你手里已经有一套已经上线、效果不错