新能源出力的不确定性是新型电力系统面临的最大挑战之一——风电光伏的波动性直接影响电网安全与市场交易。清大科越报告展示的新能源功率预测系统，融合全要素高分辨率气象预报（RMAPS3.0）与多种AI算法（LSTM、Seq2Seq、TCN、CNN、Attention、Transformer），通过多源预测结果融合与自适应权重分配，MAPE指标基本可达98.5%以上，为调度、交易、应急等核心业务提供了关键的“天气预报”能力。

随着风、光等波动性可再生能源的大规模接入，新能源出力预测成为电力系统调度、市场交易、安全校核的基础性支撑。预测精度直接影响：调度计划的合理性（过高估计可能导致备用不足，过低估计则造成资源浪费）、现货市场交易策略（发电曲线偏差将面临经济考核）、电网安全稳定性（突发功率波动可能引发频率越限）。然而，新能源功率预测面临气象条件复杂多变、功率与气象的非线性关系、不同地域和季节的差异性、数据质量参差不齐等挑战。

系统采用“气象数值预报+AI算法融合”的技术路线。气象层面，依托第三方战略合作伙伴提供的全要素高分辨率专业数值气象预报系统RMAPS3.0，提供高精度的风速、辐照度、温度、湿度等网格化气象数据。AI层面，综合考虑多种影响因素，构建丰富的样本/特征工程：基于时间序列特性的LSTM、Seq2Seq、TCN等模型捕捉历史“惯性”和周期变化；融合网格化气象数据的CNN、Attention、Transformer等模型提取全局及不同区域的气象信息，抓住关键影响因素。多源预测结果融合模块根据各算法近期的误差表现和稳定度，自适应为其结果分配权重，给出最有可能的预测结果，同时提供可能的分布区间，考虑随机性。

多年来为多个省份和地区提供稳定服务，MAPE指标基本可达98.5%以上。这一精度水平意味着：调度人员可以更可靠地安排机组组合和备用容量，减少不必要的旋转备用成本；现货交易策略可以基于更准确的发电曲线制定，降低偏差考核风险；新能源场站可以更精准地参与市场报价，提升收益。系统同时支持不同预测时间尺度（日前、日内、实时）和不同空间尺度（单场站、区域、全网）的灵活配置。

系统正在调研筹备时序大模型的应用，进一步提升对长周期依赖和复杂气象模式的捕捉能力。同时，考虑将预测结果与调度决策、市场交易、应急管理等场景深度耦合，形成“预测-决策-执行”的闭环智能。此外，面向分布式新能源的功率预测需求，研究轻量化模型与边缘部署方案，满足海量分布式场站的实时预测要求。