光伏最怕的那朵云，被AI盯上了

光伏发电最大的敌人不是黑夜，是云。黑夜可以精准计算，云却随时生消——一片云飘过，一座百兆瓦电站的出力可以在几分钟内掉去大半。近日，中国气象局发布了人工智能太阳辐射预报模型——风源—辐射感知与预报模型，这是我国首个由静止卫星与地面分钟级辐射观测网融合驱动的端到端AI太阳辐射预报模型，实现了全国地面太阳辐射站点与网格的实时监测和超短期预报。这件事在公众视野里只是一条技术发布，但在产业内部，它瞄准的是光伏并网链条上长期最疼的那根神经：功率预测。

🛰️ 一朵云，卡住了光伏的脖子

先看一个行业里每天都在发生的场景：正午时分，晴空万里，某光伏电站出力爬到全天峰值，调度曲线一切正常。随后一团积云从西侧移入，辐照度在十几分钟内断崖式下跌，电站实际出力与申报出力出现巨大偏差。电站来不及调整，电网侧备用资源被迫顶上，考核单随之生成。

据多位接近电网调度部门的人士反馈，这类由云导致的超短期预测偏差，是新能源场站考核费用中最常见的来源之一。原因很简单：光伏装机已居各类电源前列，在全国电力结构中的占比持续抬升，单一场站几兆瓦的误差无关紧要，但当预测误差在全网层面同向叠加，就是以吉瓦计的缺口或富余。

这就是问题的产业本质——光伏渗透率越高，预测误差的系统性成本就越大。过去十年，光伏的成本下降发生在组件、逆变器和系统效率上，而在「预测精度」这项隐性成本上，行业进步要慢得多。组件价格可以靠规模化压下来，预测精度却卡在一个更底层的问题上：你对天空的观测，到底有多细？

风源模型发布的意义，正是从观测源头动刀。它把预测的对象从「功率」上移到了「辐射」——辐射是功率的上游物理量，辐射报得准，功率预测才有地基。

📡 卫星加测站，端到端到底端了什么

一句话金句开场的话，应该是这样：预报模型的胜负手，从来不在算法，而在数据。

拆解风源模型的技术架构，关键在于两个数据源的组合。其一是静止气象卫星，它定点悬停在地球同步轨道，可以对全圆盘进行高频成像，覆盖云的生成、移动和消散全过程；其二是地面分钟级辐射观测网，由全国布设的太阳辐射站点提供分钟级的辐照度实测。一个是俯瞰全局的「眼睛」，一个是脚下校准的「标尺」。

过去的问题在于，这两类数据是割裂的。数值天气预报路线以物理方程为核心，卫星和地面观测被同化进模式中作为初始场，再通过物理过程参数化推演未来——这条路线擅长天级、周级的短期预报，但对未来几小时内云的精细演变，分辨率和更新频率都不够用。而风源模型被称为「端到端」，意味着它跳过了中间的多层物理建模与人工判读环节，让AI直接从原始观测数据映射出未来的辐射场。

这张数据链条图，其实就是风源模型在产业中的位置：它处在观测体系与功率预测之间，是一个承上启下的新物种。它的上游是国家级的观测基础设施——这部分只有气象部门建得起、养得起；它的下游是数千座光伏电站的功率预测系统和电网调度系统。

值得注意的是「实时监测」与「超短期预报」这两项能力的并列。前者解决的是「现在全国辐射场长什么样」，后者解决的是「未来几小时它会怎么变」。对光伏出力而言，这两件事合起来，才构成了完整的时间轴闭环。

🎯 超短期预报，是光伏收益的隐形杠杆

如果把光伏功率预测按时间尺度切一刀，可以看到一个清晰的市场分层：短期预测（未来1-3天）服务于日前电力市场和检修计划，技术主流是数值天气预报加统计订正；超短期预测（通常指未来0-4小时）服务于实时调度和现货市场，恰恰是传统方法最薄弱的区间。

薄弱的原因很物理：未来几小时内云的生消演变，是一个典型的非线性、多尺度问题。数值模式对积云尺度的刻画能力有限，卫星云图的短时外推又扛不住云的快速变化。而超短期恰恰是价值最高的时段——现货市场按15分钟或小时结算，预测偏差直接兑换成真金白银的考核费用和偏差电量损失。

（注：上表为基于公开信息的产业逻辑梳理，具体技术参数以气象部门发布为准。）

从收益视角推演：当超短期辐射预报精度提升，场站申报曲线与实际出力的贴合度随之提高，考核费用下降，现货市场中的报价策略也有了更扎实的数据底座。更关键的是全网层面——如果所有场站的超短期预测都建立在同一个高精度的辐射预报基准之上，电网侧的备用容量需求也可以更精准地测算，这意味着整个系统可以用更少的备用资源消纳更多的光伏。预测精度的提升，本质上是在给整个电力系统释放物理容量。

🧭 气象能力的产业化外溢，才刚刚开始

风源模型的发布，还有一个容易被忽略的产业信号：国家级气象能力正在成为新型电力系统的底层基础设施。

回顾功率预测行业的方法演进，脉络很清楚：

• 早期：以数值天气预报为核心的短期预测，解决「明天发多少电」
• 过渡期：统计方法与机器学习订正登场，压缩系统性偏差
• 当前：端到端AI辐射预报上线，补上超短期「未来几小时」的短板
• 下一步：预报模型与功率预测、调度、交易系统的深度耦合

在这条演进路线上，不同技术路线的商业价值和技术门槛各不相同。用四象限定位来看：

风源类端到端AI位于领跑者象限，但它的商业逻辑与传统的功率预测服务商不同——它更像是「卖水人上游又修了一座水库」。对于下游的功率预测厂商而言，这不是替代关系，而是供应链升级：高精度的辐射预报产品接入功率预测算法，如同芯片制程升级带动整机性能。谁更早把国家级辐射预报产品消化进自己的预测模型，谁就在下一轮竞价中多一分底气。

据业内人士观察，气象数据产品化这条线，未来还会向风电测风、极端天气预警、电力负荷预测等方向持续外溢。新能源占比越高的电力系统，对气象的依赖就越深——这是一条几乎不需要论证的产业规律。

⚠️ 从预报到调度，闭环还差几步

当然，模型发布只是起点。从「辐射报得准」到「系统用得上」，中间还有几道现实的坎。

第一道坎是精度验证。任何AI模型都需要在实际运行中接受检验，尤其是云量剧变的过渡季节和强对流天气场景——这恰恰是历史训练样本中最稀缺、也是考核最要命的时段。模型需要在多个气候区、多种地形条件下持续跑分，才能建立电网侧的信任。

第二道坎是接入链路。辐射预报产品需要嵌入各场站的功率预测系统和电网调度平台，涉及数据接口、更新频率、责任边界的重新划分。这套工程化改造的周期，往往比模型研发本身更长。

第三道坎是市场规则的衔接。现货市场对预测偏差的考核规则、辅助服务市场的分摊机制，决定了精度提升的收益如何分配。规则不改，技术红利就传导不到场站端。

看得见的是模型，看不见的是水面之下的观测网、数据积累和工程化能力。这正是国家级气象机构做这件事的独特优势——民营功率预测厂商可以迭代算法，但很难从零铺设一张覆盖全国的分钟级辐射观测网。

小结：风源模型的发布，表面上是气象系统的一次技术升级，实质上是在为光伏的下一个渗透率阶段修路。当光伏从「补充电源」走向「主体电源」，功率预测的精度就是整个系统的安全边际。超短期辐射预报这块拼图补上后，产业逻辑的下一步，是推动预报、预测、调度、交易四个环节的数据闭环真正打通。云还是那朵云，但现在，有人替光伏一秒一秒地盯着它了。