1. 背景与目标

• 业务目标

  • 15 min/1 h 超短期与日前预测：降低 NMAE/NRMSE，提升 Ramp 事件命中率与校准度（可靠性）。

  • 提供不确定性区间（P10/P50/P90），支持调度、现货交易与弃风风险控制。

  • 产线稳定：缺报/晚报< 0.1%，对异常气象与站端异常具备“降级不失控”的韧性。

• 痛点

  1. 多源 NWP 在不同季节/时段/天气型态下“优劣互补”，静态权重易失效；

  2. 机组侧非线性与机理缺口（尾流、结冰、限电、偏航失配）导致系统性偏差；

  3. Ramp、阵风等“稀有但关键”场景召回难；

  4. 线下好看、线上抖动（jerk）与解释不足影响生产信心。

核心思路：以“大模型做调度与治理（Router/Planner/Explainer）”，让物理模型 + 机器学习 + 统计校准各司其职，通过策略化路由、情景化权重与在线自校准，实现“稳、准、可理”。

---

2. 总体架构（四层六组件）

数据层

• SCADA/AGC（10–15 min），站点元数据（塔筒高度、功率曲线、并网容量、可利用率、扇区信息）、多源 NWP（GFS/GRAPES/ICON/GEM…）、雷达/卫星再分析、历史限电/检修标注。

• 统一特征库（feature store）：支持 DOY/HOD、季节/天气型态、垂直切变α、阵风指标、矢量风一致性、季节软过渡权重等。

模型层（多模态集成）

• 物理/机理：功率曲线修正、尾流近似、空气密度修正、爬坡率/装机上限约束。

• 深度时序：Informer/TFT/N-BEATS/TCN；

• 空间关系：Graph Attention（风场—机组图）；

• 统计校准：分位数回归、Quantile Mapping（季节/扇区）、Conformal Prediction。

大模型智能体层（LLM as Brain）

1. Data Copilot：数据治理、异常解释、特征建议与自动回填策略生成；

2. Regime Router：按天气型态/季节/时段/站点画像动态选择/加权基学习器；

3. Scenario Synthesizer：结合多源 NWP 生成情景集与概率权重；

4. Explainer：自然语言解释与运维处方（为何偏、怎么调、风险何在）。

融合与服务层

• 季节化技能矩阵 + 余弦窗 cross-fade 融合、矢量 EMA & anti-jerk 平滑、Ramp 专项加权、区间校准。

• API/批处理、在线监控、告警与 A/B 发布。

---

3. 大模型赋能的四个场景

3.1 预测前：数据治理与特征工程

• 异常数据审计：大模型基于规则库 + few-shot 示例，自动生成“异常类型—建议处理”清单（如：结冰/限电/维护/计量漂移），并产出对应的 SQL/校验表达式。

• 特征建议：让大模型依据站点画像（地形/风玫瑰/历史误差）给出季节化增益特征（如 α 的 DOY 调制、阵风记忆衰减、云底高度 proxy、前沿过境时滞）。

• 自动文档化：生成“数据字典 + 实验记录”，降低知识流失。

3.2 预测中：策略调度与模型选择（Regime Router）

• 大模型将天气摘要（由结构化特征自动生成的“型态描述”）映射到技能矩阵与权重模板，再结合近期线上误差，输出每个时段的模型权重/门控与Ramp 触发阈值。

• 场景示例：

  • “冷平流 + 强切变 + 夜间稳定层”→ ICON 权重↑、TFT 时滞↑、anti-jerk 权重↑；

  • “锋面过境 + 强阵风概率高”→ Ramp 通道加权↑、分位数带加宽、上行爬坡率松弛。

3.3 预测后：区间校准与解释

• LLM 汇总概率带覆盖率、可靠性曲线、极值误差，生成简洁可执行的运维建议（如“P90 偏紧，夜间东南风扇区应扩大 1.2× 置信带”）。

3.4 人机协作闭环

• 线上异常（如连续偏负）触发Auto-Calib Playbook：给出“影响最大前 3 特征 + 建议阈值”，推送灰度分支进行 A/B。

---

4. 关键算法与细节

4.1 多源 NWP 融合（季节软过渡 + 技能矩阵）

• 技能矩阵：以 (季节/DOY, HOD, 天气型态, 风向扇区) 为索引，存储各模型的滚动技能（MAE/RMSE/CRPS）。

• 余弦窗 cross-fade：跨季/跨型态权重平滑，避免权重突跳。

• 矢量一致性：风速融合用向量合成幅值 (R=\sqrt{u^2+v^2})，风向保持“分散高→主导方向”。

4.2 时空深度模型

• Informer/TFT：长序列稀疏注意力与多尺度时序分解，输入含：多源 NWP、site meta、历史功率、α、阵风、稳定度 proxy、HOD/DOY。

• 图模型（GAT）：以机组/风场为节点，边权考虑风向相对角、地形通道与历史同步性，实现尾流/区域性误差传播建模。

4.3 机组侧校准与平滑

• 分位数回归 + Q-Map：按季节/扇区/风速段进行 Quantile Mapping，矫正系统偏差；

• anti-jerk：其中 (\lambda) 随 Ramp 触发与风速不确定性自适应；

• 阵风记忆：指数衰减记忆项 + Ramp 触发（风速一阶差分/加速度阈值 + 雷达风廓线 proxy）。

4.4 不确定性刻画与校准

• Pinball Loss：

• CRPS 作为总体区间质量指标；

• Conformal Prediction：在线滚动残差分布校准 P10/P90 带宽，确保 PICP ≈ 目标置信度；

• 可靠性诊断：分位数命中率、校准斜率（理想=1）。

4.5 运营约束与异常场景

• 爬坡率/装机上限、可利用率掩码、限电/检修屏蔽；

• 结冰/低温：引入温度/湿度/风速与历史事件做异常先验，触发保守策略；

• 偏航失配：用 nacelle 风向 vs 场外测风差异，做扇区级偏差修正。

---

5. 工程实现（与现有 15 min 流水线无缝衔接）

5.1 数据与特征库（Feature Store）

• 主键：site_id / group_id, data_time（UTC+8 对齐轮档）, horizon（15 min/1 h/DA）；

• 核心特征（示例）：

  • 气象：各模型的 (u,v), gust, shear α, BLH, CAPE, RH, T, SLP；

  • 时空：DOY/HOD、周指示、前缘/后缘标记、距离锋面时长（代理特征）；

  • 站点：功率曲线参数、扇区表、可利用率、尾流系数近似；

  • 衍生：矢量 EMA、anti-jerk 状态、季节软过渡权、Ramp 触发标志。

5.2 大模型智能体落地形态

• 工具化调用（Function-Calling）：

  • suggest_features() 返回新增特征与可验证的生成逻辑；

  • route(models, regime) 输出模型权重/门控与区间放缩因子；

  • explain(run_id) 生成“简报级”误差解释与改进处方。

• 安全网：无结论/置信低 → 回落默认技能矩阵与保守带。

5.3 训练与推理流水线

• 离线：月更“季节化技能矩阵”；周更深度模型（Informer/TFT）；日更 Q-Map 与 Conformal；

• 在线：

  1. 多源 NWP 解码 → 统一特征 → 深度模型逐时段滚推；

  2. Regime Router 产出权重与策略；

  3. 融合 + anti-jerk 平滑 + 区间校准；

  4. 约束裁剪（上限/爬坡）→ 输出 TXT/API。

5.4 伪代码（Router + 融合主干）

def forecast_batch(X, base_models, skill_matrix, router, state):
    # 1) 基学习器输出
    preds = {name: m.predict(X) for name, m in base_models.items()}  # mean + quantiles
    
    # 2) 识别天气型态 & 季节/时段
    regime = detect_regime(X)  # (season, HOD, sector, stability, front_flag, ...)
    
    # 3) LLM 路由（带回退）
    route = router(regime, recent_online_metrics(), skill_matrix)
    weights = route.get("weights", default_weights(skill_matrix, regime))
    rampset = route.get("ramp_params", default_ramp_params())
    q_scale = route.get("quantile_scale", 1.0)
    
    # 4) 融合（矢量一致性 + 余弦窗平滑）
    y_mean = blend_mean(preds, weights, regime, cross_fade=True)
    y_q = blend_quantiles(preds, weights)
    
    # 5) Ramp 专项与 anti-jerk
    y_mean = anti_jerk(y_mean, state, rampset)
    
    # 6) 区间校准（Conformal/季节Q-Map）
    y_p10, y_p50, y_p90 = conformal_calibrate(y_q, scale=q_scale, regime=regime)
    
    # 7) 约束与裁剪
    y_mean, (y_p10, y_p90) = apply_constraints(y_mean, (y_p10, y_p90), capacity, ramp_limit)
    return y_mean, y_p10, y_p90

---

6. 评估、上线与监控

6.1 指标体系

• 点预测：MAE/RMSE、NMAE/NRMSE（按装机归一）、r²、分位数段误差（低风/中风/高风）。

• 区间预测：CRPS、PICP、平均带宽、可靠性曲线斜率。

• 场景指标：Ramp 命中率（TSS/F1）、阵风时段误差、夜间稳定层偏差、锋面过境窗口误差。

• 业务指标：弃风率、启停次数与爬坡超限告警减少量。

6.2 验证设计

• 时序留后验证（purge & embargo），多季滚动窗口；

• A/B 灰度：路由器上线先在 20–30% 站点灰度，观察 2–4 周；

• 可靠性图 & 覆盖率：每周自动出图，异常触发回滚。

6.3 监控与自愈

• 数据漂移（PSI/KS）、误差漂移（EWMA）、分位数覆盖偏差、Ramp 召回告警；

• 触发 Auto-Calib（Q-Map/Conformal 参数自调）与权重回退。

---

7. 资源与成本控制

• 训练：深度模型支持混合精度；Router 端 LLM 采用小型指令微调模型或蒸馏规则（离线落地到轻量打分器）。

• 推理：批量化、ONNX/TensorRT；LLM 仅参与策略阶段，不走每步时序回环。

---

8. 风险与合规模块

• 缺数与延迟：多源回退、插值上限、保守区间；

• 误触发：Router 输出带置信度门控，低置信直接回退默认技能矩阵；

• 追溯与合规：所有策略决策留痕（regime、权重、阈值、解释）。

---

9. 实施里程碑（12 周示例）

• W1–2：现网评估 & 指标看板、特征库对齐、异常标签体系；

• W3–4：技能矩阵与 cross-fade 上线，接入 anti-jerk 与矢量一致性；

• W5–6：深度主干（Informer/TFT）联调，分位数与 Conformal 校准；

• W7–8：LLM Router MVP（离线），完成规则蒸馏；

• W9–10：线上灰度 + A/B，Ramp 专项评估与优化；

• W11–12：规模化部署、SLA/告警完善、运维手册与解释服务。

---

10. 附录：落地清单（可直接执行）

• 必备表/视图：

  • features.wind_15min(site_id, data_time, horizon, u/v_*_models..., gust, alpha, HOD, DOY, regime_tags, avail, curtail_flag, ...)

  • metrics.online(site_id, day, horizon, MAE, CRPS, ramp_f1, picp_80, ...)

  • matrix.skill(season, HOD, sector, model, mae, crps, weight)

• 关键阈值初值：

  • ramp 触发：(\Delta v/\Delta t > 2.0~m/s/15min) 或 (\Delta P > 0.12 P_{cap})（按场站可调）；

  • anti-jerk (\lambda)：默认 0.35，Ramp 时自适应 0.55–0.75；

  • conformal 目标 PICP：P10–P90≈80%（按业务可设 70–90%）。

• 上线文档：数据字典、策略解释模板、回滚与容错手册。