音樂發燒友深有體會，玩音樂的本質就是玩電網。火電聲音偏暖，水電偏冷，風電偏空曠。至于太陽能發的電，則略顯朦朧和單薄。

不知你是否有感覺，近兩年家里的音響聲音越來越冷，聽起來越來越單薄？

—————天熱了，講個冷笑話—————

實際上，中國近幾年的太陽能發電和風電發展可謂突飛猛進。2025年第一季度，全國風電和光伏發電合計裝機達到14.82億千瓦，歷史性首次超過火電的14.5億千瓦。

放眼全世界，你可能覺得全球都在經歷轟轟烈烈的能源轉型。但實際上，這個轉型幾乎全靠中國的一己之力。

2023和2024年，全球的風電和光伏發電新裝機容量接近三分之二來自中國，一枝獨秀。

其余國家的新增裝機，發電裝備也主要來自中國。尤其是太陽能，中國為全球各國提供了80%以上的光伏組件。

無敵是多么寂寞。

但裝機容量高，不代表發電就多。各地一直存在令人心痛的“棄風、棄光、棄水”問題。有的地方甚至出現過單日棄風率70%的極端案例，可以認為有70%的風機實際沒有發電。

為何棄風？因為電網“實發實用”且風機發電功率不穩定。風來了，電量供過于求，電網面臨沖擊。風走了，電不夠用，顯然也不行。

緩解棄風，關鍵在于精準預測未來一段時間的風電功率。我們不怕風電不穩定，只怕它產生預期外的不穩定。換句話說，要將風電的“不確定性”轉化為“可預見性”。

風機功率影響因素復雜，怎么預測？

下面展示一個案例，用數據預測風電功率。來自清華大學孫逸凡團隊，主題《面向復雜風電數據的核密度清洗與功率預測分區模型》。

該案例榮獲第三屆“天洑杯”數據建模大賽的特等獎。

數據采集自陜西某風電場，規模相當龐大，有442809 條，59個維度。

這59個維度，其中一個是輸出功率，即因變量。另外58個是自變量，包括風速、溫度、風向、葉片槳距角等等，它們或多或少都會影響輸出功率。

工具采用DTEmpower，一款門檻超低上手簡單的智能數據建模軟件。

建模過程包括數據讀取、數據清理、敏感性分析、模型訓練、模型對比等步驟，下面為完整工程界面。

其中：

• 數據清理部分，項目團隊基于軟件的數據處理模塊，開發自編程清洗程序，實現數據高效批量化處理。同時考慮風機工作特征和數據異常原因，將建模過程結合業務背景。
• 敏感性分析部分篩選掉“不重要”的自變量，提高建模精度。
• 模型訓練部分，先根據風電特征將數據分區，然后分別用不同的訓練算法做模型訓練。
• 模型對比階段，用測試集對基于不同算法訓練得到的模型進行精度對比。

最后一步模型聚合，將優選出的分區模型合并為一個。

最終經測試集數據測試，合并后的模型精度非常高，R2值達到0.99。

這說明基于風速、溫度以及槳距角這些容易測量或容易預測的數據，就能實時預測未來一段時間的風機功率。

如果預測到功率偏低，那就讓火電機組做好準備，甚至讓風電停機檢修。反過來，如果預測到功率偏高，火電就能歇息一陣了。

如此一來，大大提升風機的利用率，降低“棄風”率，讓每一縷風都有機會點亮萬家燈火。

最后，歡迎到天洑軟件官網下載試用DTEmpower，從數據中挖掘價值，預測未來。