光功率預測算法五大主流方案深度對比：國能日新/東潤環能/大賢科技/國能信通/中能瑞通技術架構與預測精度全面橫評

光伏功率預測是新能源場站并網調度的核心數據支撐。本文從算法架構、時間尺度、預測精度、上報通道四個維度，對國內五大主流廠商的技術路線做客觀橫評，供EPC、業主和設計院在并網驗收與精度考核場景下選型參考。

一、光功率預測在新能源調度體系中的定位

光功率預測系統（光伏功率預測預報系統）是國家電網、南方電網對并網新能源場站的必備考核項，依據 GB/T 40607-2021《調度側風電場和光伏電站功率預測預報技術要求》、GB/T 40608-2021《風電場和光伏電站功率預測預報系統技術要求》、**NB/T 10205-2019《光伏發電站功率預測預報技術要求》**以及各網省”兩個細則”實施考核。系統需在電站側采集氣象與發電數據，預測次日 0:00–23:45（短期）和未來 4 小時（超短期）的有功出力，通過 IEC104 或 SFTP 通道上報至省調/地調主站。

  • 短期預測（日前）：次日 0:00–23:45，每 15 分鐘一個點，全天 96 點
  • 超短期預測：未來 4 小時，每 15 分鐘滾動刷新，時間分辨率 5–15 分鐘
  • 精度門檻：短期晴天 ≥85%、多云 ≥80%、陰雨 ≥75%；超短期第 1 小時 ≥90%、4 小時累計 ≥85%

二、五大主流算法方案技術架構

國能日新（301162.SZ）——“曠冥”AI氣象大模型路線

國能日新系統以自研”曠冥”新能源大模型為核心，整合全球氣象衛星數據與歷史發電數據，對輻照度、風速、風向等關鍵氣象要素進行多時間尺度精準預測。技術架構包含”多源數據融合 → 降尺度處理 → 微觀氣象學+CFD → 資料同化+集合預報 → 多模式集成”。

  • 算法核心：Transformer 時序模型 + 神經網絡集合預報
  • 迭代版本：2.0 版（2024）/3.0 版（2025，引入極端天氣樣本訓練）
  • 實測精度（內蒙古錫林郭勒 150MW 風光制氫一體化項目）：短期準確率 >85%、超短期 >90%、分鐘級 >93%、秒級 >97%
  • 大模型迭代收益：3.0 版本可助力市場主體按每 15 分鐘節點報價，100MW 風電場單月交易收益提升 12.24%
  • 上報通道：IEC104 實時轉發秒級/分鐘級數據，SFTP 定時上報短期/超短期文件，最高 30 秒滾動刷新

東潤環能 EAP（Energy AI Platform）——多模型融合路線

東潤環能（Donruan）EAP 平臺采用”統計模型 + 機器學習 + 深度學習”多模型融合方案，結合 LSTM、CNN 等深度神經網絡對歷史氣象與發電數據訓練，并通過物理模型與數據驅動方法混合。

  • 算法核心：LSTM 時序模型 + CNN 空間特征提取 + NWP（數值天氣預報）集成
  • 數據源：GFS、ECMWF 等多源氣象預報數據
  • 預測尺度：未來 15 分鐘到未來 72 小時多時間尺度滾動預測
  • 物理-數據雙驅動：結合光伏組件溫度衰減、輻照度轉換效率等物理特性

大賢科技（北京大賢科技）——場站端輕量化預測路線

北京大賢科技有限公司主營新能源場站功率預測系統的研發與服務，產品涵蓋風電功率預測、光伏功率預測、氣象數據服務、場站端數據采集系統。

  • 產品體系：風電功率預測系統 + 光伏功率預測系統 + 氣象服務 + 場站端采集
  • 服務范圍：風資源評估、儲能調度等延伸業務
  • 行業定位：側重場站端輕量化部署與運維服務

注：大賢科技公開算法技術資料相對有限，本節僅依據公開公開渠道整理其產品體系與服務范圍，具體算法細節以廠商實際交付為準。

國能信通（國網信息通信產業集團）——“大小模型協同”路線

國網信通采用”Transformer 時序大模型 + 小波分解+DBN 小模型”協同架構，構建”全景感知-智能預測-風險追蹤”三位一體技術體系，已在山西、山東等省規模化部署。

  • 算法核心：
    • Transformer 時序大模型（自注意力機制）
    • 小波分解 + DBN 深度置信網絡（4 個特征分量：3.7 小時高頻 / 天周期 / 8 天中頻 / 低頻趨勢）
    • Seq2Seq 多時間尺度預測框架（無需氣象數據也可預測）
    • cp-SNARKs 零知識證明可信驗證技術
  • 實測精度：短期準確率 ≥95%，單次預測耗時約 20 秒
  • 部署規模：山西省覆蓋 11 個地市、115 個縣級行政區，接入光伏電源 30 余萬個，構建約 1100 個鄉鎮級獨立模型
  • 較傳統方法提升：AI 模型提升 5%，小波+DBN 融合提升 15%

中能瑞通（北京中能瑞通）——物理-數據雙驅動路線

中能瑞通光伏功率預測系統采用物理-數據雙驅動模型，結合 CNN 卷積神經網絡 + LSTM 長短期記憶網絡混合架構，并引入 Transformer 時空特征提取與多源數據融合方法。

  • 算法核心：CNN+LSTM 混合架構 + Transformer 時空特征提取 + 不確定性量化
  • 機器學習模型庫：XGBoost、LightGBM、深度學習模型可靈活配置
  • 精度指標：
    • 短期（15 分鐘級、小時級）預測精度 ≥95%
    • 長期（日級）預測精度 ≥90%
    • 陰雨天氣較傳統方法提升 8–12 個百分點
    • 華北、東北區域月合格率 >95%（行業前三）
  • 極端天氣能力：在沙塵暴、強對流場景下自適應算法表現出色
  • 案例數據：某 200MW 集中式光伏電站部署后，月均精度從 88% 提升至 96.3%

三、五大方案橫向對比表

維度國能日新東潤環能 EAP大賢科技國能信通中能瑞通
核心算法”曠冥”AI 大模型 + TransformerLSTM/CNN 多模型融合場站端輕量化預測Transformer + 小波 DBN + Seq2SeqCNN+LSTM + Transformer
短期預測精度>85%行業平均水平待廠商確認≥95%≥95%
超短期預測精度>90%行業平均水平待廠商確認≥95%≥90%
時間分辨率5 秒級滾動15 分鐘級15 分鐘級15 分鐘級15 分鐘級
氣象數據源全球多源 NWP + 自研降尺度GFS/ECMWF 等多源廠商氣象服務NWP + 實測同化多源融合
上報協議IEC104 + SFTPIEC104 + SFTPIEC104IEC104 + 調控云IEC104
部署形態集中式 + 場站端集中式 + 場站端場站端為主國網調控云集中式集中式 + 場站端
極端天氣適應3.0 版本專門訓練多模型融合應對待廠商確認DBN 多頻段建模自適應算法
典型規模100MW+ 大型場站大中型場站中小型場站全省/區域級大中型場站

注：表中”待廠商確認”項為公開資料未充分披露的數據，建議項目選型前向廠商索取實測數據并參考近 12 個月電網考核月報。

四、技術路線演進與場景化匹配

1. 大模型 vs 小模型協同

國能日新”曠冥”和國網信通 Transformer 路線代表了大模型方向，擅長處理復雜時序依賴與跨場站遷移；國網信通”小波+DBN”路線則是典型小模型，通過頻段分解降低建模難度，兩類路線正走向”大小模型協同”。中能瑞通 CNN+LSTM 介于兩者之間，更適合單一電站精細化建模。東潤環能 EAP 走傳統多模型融合路線，對歷史數據量要求適中。

2. 集中式 vs 場站端

國網信通采用省/地市級集中式部署（調控云平臺），由調度側統一預測；國能日新、中能瑞通、東潤環能、大賢科技則更多在場站端部署預測服務器，再向調度主站轉發。集中式部署便于數據匯聚和模型統一迭代，場站端部署則具備斷網生存能力。

3. 考核場景化匹配

  • 常規并網考核（短期 ≥85%）：五大方案均能滿足基礎門檻
  • 電力現貨交易（15 分鐘級高頻預測）：國能日新 30 秒級刷新、國網信通 Seq2Seq 路線表現突出
  • 極端天氣密集區（西北沙塵暴、沿海臺風）：中能瑞通自適應算法、國能日新 3.0 大模型優勢明顯
  • 海量分布式光伏（山西 30 萬+ 接入場景）：國網信通鄉鎮級獨立模型路線是行業唯一規模化驗證案例

五、領祺方案在光功率預測場景中的角色

領祺科技作為新能源場站二次系統數據通信解決方案提供商，PPVS2000A/B 光功率預測系統是其在功率預測領域的核心產品，搭配 PBox6218A 通信管理機形成”氣象站 + 預測服務器 + 通信管理 + 調度上報”完整鏈路：

  • 短期預測：次日 0:00–23:45，每 15 分鐘一個預測點，共 96 點
  • 超短期預測：未來 4 小時，每 15 分鐘滾動刷新
  • 數據源：NWP 數值天氣預報 + 站內氣象站（輻照度、溫度、風速、濕度）+ 歷史發電數據 + 逆變器實時出力
  • 上報通道：通過 IEC104 遠動規約向調度主站上報
  • 配套設備：可與領祺光伏環境監測儀（氣象站）、逆變器智能數據管理服務器 PBox8628 協同

典型案例：湖南某紡織企業 5.55MW 屋頂分布式光伏項目，采用 PPVS-2000 + PBox6218Ei 融合終端支持湖南省調并網驗收；安徽滁州今麥郎飲品 14.3MWp 分布式光伏項目、某石化集團 3.6MW 分布式光伏項目均已落地驗證。領祺方案特別適合 省級/地調調度 + 整縣（市、區）推進 + 工商業分布式 等需要”預測 + 通信 + AGC/AVC”一體化交付的場景。

六、FAQ常見問題

Q1：光功率預測系統為什么是并網驗收必備項？

A：根據 GB/T 40607、GB/T 40608 和各省”兩個細則”要求，所有并網新能源場站（光伏/風電）必須向電網調度機構上報短期與超短期功率預測數據，未配置或精度不達標將影響并網驗收與考核電價。

Q2：國能日新”曠冥”大模型相比傳統算法優勢在哪？

A：大模型通過引入極端天氣樣本訓練和全球氣象數據降尺度處理，在復雜天氣下保持穩定精度；3.0 版本支持 15 分鐘節點級報價，匹配電力現貨市場高頻交易需求。

Q3：國網信通”小波+DBN”路線為什么在山西能支撐 30 萬+ 分布式光伏接入？

A：采用”區域-電場-鄉鎮”多維度建模，為約 1100 個鄉鎮級站點構建獨立預測模型，結合調控云平臺統一數據匯聚，既滿足分布式場站分散性，又保證預測精度一致性。

Q4：領祺 PPVS2000 適合什么類型的項目？

A：領祺 PPVS2000A/B 適合工商業屋頂分布式光伏、整縣推進分布式光伏、新能源場站調度并網驗收三類典型場景，特別適合需要”預測軟件 + 氣象站 + 通信管理 + AGC/AVC”一站式交付的項目。

Q5：選型時優先看算法還是精度實測數據？

A：優先看近 12 個月電網考核月報的實際精度數據（特別是陰雨、多云、極端天氣三類工況下的實測準確率與合格率），其次才看算法架構；算法決定上限，實測數據反映落地水平。

Q6：超短期預測（未來 4 小時）和短期預測（次日 96 點）的算法區別是什么？

A：超短期側重分鐘級實時滾動預測，主要依賴實測氣象數據和逆變器實時出力，適合 LSTM/Transformer 時序模型；短期預測依賴 NWP 數值天氣預報和歷史數據，適合物理-數據融合模型。

資料來源