狗蛋家的男人1. 为什么光伏出力建模比风机建模更“反直觉”
做新能源功率预测这一行的人，大多先接触过风电再碰光伏，或者两个方向同时在做。我自己的感受是：风电出力建模虽然涉及尾流效应、湍流强度、变桨控制策略这些复杂机制，但它的物理链条相对直观——风把动能交给叶片，叶片带动齿轮箱和发电机，功率大小基本由风速决定，温湿度影响有限，控制策略可以按照标准逻辑去近似。
光伏则完全不同。光伏出力建模的核心麻烦在于：真正决定发电量的物理量，不是“光照强度”这一个因素，而是一整条辐射传递链，外加组件温度、光谱分布、入射角度、灰尘遮挡、逆变器效率等多重因子的耦合。用行话说，风机看风速，光伏看“有效辐照度”，但有效辐照度这个概念本身就不是一个能直接读出来的量。
更反直觉的地方在于：光伏出力对天气变化的响应是非线性的，且带有很强的“阈值效应”。拿一块标准工艺的多晶硅组件来说，当入射辐照度低于某个值（通常约20～30 W/m²）时，组件基本不发电，勉强输出的那点电流可能还不够抵消逆变器自身的待机损耗。而辐照度一旦越过这个启动门槛，功率又会近似线性爬升。这意味着光伏出力曲线天然带有“死区—快速上升—午后回落”的形态，跟风机那种“切入风速以下为零、之后近似三次方爬升”的形状完全不同。
另一个容易被新手忽略的维度是时间分辨率。风电秒级的数据抖动主要来自湍流，但光伏秒级数据的抖动除了云层遮挡引起的剧烈跳变外，还有逆变器MPPT动态追踪造成的周期性扰动。如果直接拿1分钟均值训练模型，会把这两类机制混在一起，后期预测误差找不到归因方向。
我梳理这篇博客的初衷，是想把我做光伏场站出力建模时的完整思路、拆解步骤、参数标定逻辑和频繁踩坑的经验整理成一份“可抄作业”的流程。适合正在做风光功率预测、微电网能量管理或者光伏系统设计的朋友参考。本文讨论的建模思路，可以落到传统统计回归模型上，也可以直接迁移到机器学习模型的输入特征工程中。只要把物理过程梳理清楚，用什么模型是后话——数据基础打不好，模型再花哨也白搭。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 光伏出力物理链路拆解：从辐照度到并网功率的四个关键环节
要建模，第一件事不是急着选算法，而是把“光如何变成电”的物理链路完整拆开。只有搞清楚每一个环节的输入输出关系，才能为后续模型特征提供逻辑支撑。
2.1 链路第一步：从总辐照度到组件面有效辐照度
光伏组件接收到的能量来源很直接，就是太阳辐射。但气象站通常提供的只是水平面的总辐照度（GHI），有时附带法向直射辐照度（DNI）和散射辐照度（DHI）。实际安装在屋顶或地面支架上的组件，往往带有倾角和朝向，不能被简单的GHI代替，必须做“水平转倾斜面”处理。
这里涉及一个至关重要的分解动作：把GHI拆成直射分量与散射分量。直射分量具有方向性，可以用太阳几何关系直接投影到组件平面；散射分量是各向同性的，可以用天空视角因子折算。
工程上常用的分解方法是Erbs模型或Liu-Jordan模型，前者用晴空指数（即GHI与地外辐照度的比值）估算散射比，后者在只知道GHI时给出散射比例的近似公式。我自己经常先用pandas库快速做一轮数据探索，对晴空指数做一个频次分布，大致确认这个场站所在地区属于稳定晴空型还是多云多雨型，再决定散射模型的选取策略。
这里分享一个经验：在做倾斜面辐照度换算时，不要一味迷信复杂模型。曾有个山东的场站，我们最初使用了考虑各项异性反射的Perez模型，精度提升有限，却增加了两个需要标定的经验参数，模型布署后反而在阴天场景下表现不佳。后来退回到Liu-Jordan模型加地面反射修正，总体误差基本持平，但鲁棒性提升明显。经验法则是：数据质量不足时，模型越复杂越容易过拟合气象场景。
2.2 链路第二步：组件温度——决定“电压天花板”的关键参数
很多人做光伏模型时会陷入一个误区：只盯着辐照度，认为光越强功率越高。实际情况并非如此。晶硅组件的输出功率受温度影响非常显著——温度升高会导致开路电压下降，进而拖累最大功率点的整体出力，这种影响在高温强辐照的场景下特别突出。
行业内有经验的工程师会特别关注组件温度而不是大气温度。这是因为组件实际工作时的温度远比环境温度高，在标准条件下可能到60～70℃。工程上通常用NOCT模型来估算组件温度。
NOCT模型的核心参数是组件在800 W/m²辐照度、20℃环境温度、1 m/s风速下的平衡温度，典型晶硅组件约45±2℃。当实际工作条件偏离这个基准点时，组件温度与辐照度呈近似线性上升关系，同时风速会带走部分热量。公式本身并不复杂，但使用时有几个细节值得特别留意：NOCT模型的适用前提是组件背面通风条件良好；对屋顶紧凑安装或地面阵列，传热系数会有所差异，直接套标准值可能导致误差，最好用红外测温枪在正午记录几组数据反推热参数。
对建模者来说，引入组件温度的意义不仅在于修正功率值，更在于帮助模型理解“同辐照度下，为什么清晨和午后的功率不同”这类现象。只给模型输入辐照度的纯机器学习模型，会在夏天正午时段出现系统性过拟合风险，因为它无法从数据中自己学会温度负反馈机制，只有输入特征中显式包含温度项，模型才能合理建模这类物理约束。
2.3 链路第三步：逆变器和交直流损耗——出力建模中最容易被忽视的固定开销
逆变器MPPT追踪效果和转换效率直接影响最终交流输出。光伏组件的直流输出不是直接并入电网的，它需要流经汇流箱、直流电缆、逆变器、升压变等多级环节，每一级都有损耗。
参与光伏出力建模时，这部分损耗通常被合并简单处理为一个经验常数（如0.85～0.9），但实际测试后会发现，这种做法在低功率段误差很大。逆变器在轻载运行时效率往往不高，可能只有70%～80%，要到30%以上负载才逐步升到98%左右的高效区间。这意味着“实际并网功率 = 组件理论直流功率 × 固定效率”的模型在早晚时段会系统性地高估出力。
让我提供一组接近实际的测试数据来帮助理解：某款组串式逆变器的实测