Kenneth Cheng數學建模

研究筆記

當太陽能發電急升急跌：預測區間改善了，為甚麼仍不夠可靠？

以五個太陽能站點的公開數據，檢查快速功率變化與感測輸入缺失時的預測區間。校準令每個站點都改善，但最困難群組的覆蓋率仍遠低於原來的目標。

2026年9月9日 · 約 26 分鐘閱讀

想像一位太陽能電站操作人員，正在一片雲層越過站點時查看最新預測。中央預測線開始移動，旁邊的陰影帶看起來提供了某種保障：這是一個 90% 預測區間。操作人員並不是要求模型預知一切，而是想知道，當發電量急升急跌、部分感測資料又暫時無法取得時，究竟可以對這個範圍有多大信心。

這是一個假想操作情境，不是本研究已測試的部署案例。但它正好指出研究的核心疑問：陰影帶旁邊的數字，描述的是我們最需要它的時刻，還是主要描述了資料中數量較多、情況較普通的時刻？如果最容易出問題的情境只佔少數，整體平均數可能不會主動提醒我們。

改善這條不確定性帶，有兩種不同的意思。一種是令它比現有方法表現更好；另一種是令它可靠到足以滿足一個明確要求。方法完全可能做到前者，卻仍然做不到後者。我們的太陽能預測結果就提供了一個具體例子：校準令五個確認站點全部改善，但最弱的可評估群組，距離原定覆蓋目標仍然很遠。

本文以這個區別解說我們獲 ADMA 2026 接納的短論文。它是一項使用公開能源數據的實證研究，不是一條保證所有條件覆蓋率的新定理。專案簡介整理研究與作者資料；學生研究工作室則記錄這項工作的研究指導背景。下面先看結果，再逐步拆解模型、分母、比較方法，以及那些沒有被改善數字解決的問題。

這個太陽能實驗發現了甚麼

研究包括五個站點、四個按時間排列的資料折，以及兩個預測期，合共 40 個站點—時間折—預測期評估組合。表現最一致的校準候選 Descriptor CQR，令平均站點最差群組欠覆蓋，在 15 分鐘減少 0.110，在 60 分鐘減少 0.080。這些是覆蓋短缺的絕對變化，等於 11.0 及 8.0 個百分點，不是相對百分比改善。

可是，相對於標稱 0.90 覆蓋率，仍然存在的最差欠覆蓋是 0.430 及 0.363。對應群組的實測覆蓋率只有 0.470 及 0.537。它們是最困難而又有足夠樣本的群組，不是全體平均；無論哪一個數字，都不能被包裝成「標稱 90% 的區間，在實際上已達到 90%」。

兩個面板將 Descriptor CQR 最差群組的 47.0% 與 53.7% 覆蓋率，對照研究的 80% 檢查底線及標稱 90% 目標。
圖 1．Descriptor CQR 仍未達到可靠性檢查底線。15 分鐘下，CSGS2 在 2020 年第一季、天氣特徵移除且有 ramp 的群組，183 個目標只覆蓋 86 個；60 分鐘下，CSGS8 對應群組的 231 個目標覆蓋 124 個。點線 90% 是標稱目標；虛線 80% 是本研究刻意採用的寬鬆檢查底線，不是業界標準。這些樣本是所選群組內的觀測，不是獨立站點重複。

即使還不知道模型如何運作，這個落差已經清楚可見。把方法推向正確方向，不代表它已經到達目的地。要理解為甚麼會出現這種結果，我們需要先弄清楚覆蓋率的意思，再看看哪些觀測會被納入計算，哪些觀測在計算之前已被排除。否則，同一個「可靠」字眼，可能在不同段落指向完全不同的事情。

90% 究竟描述了甚麼？

在發出預測時，區間提供一個下界和一個上界。等未來功率實際量度出來，我們便可以檢查：這次的真值有沒有落在當時給出的範圍內？覆蓋率就是所有受評估目標中，落在各自區間內的比例。它描述的是重複使用一套預測程序的表現，不代表每一個特定區間都已被另外驗證，確定具有相同的個別機率。

即使整體覆蓋率估計得很準，仍然有第二個問題：是在甚麼條件之下的覆蓋率？以下只是一個算術示例，不是額外實驗結果。假設 90% 的預測發生在普通情況，覆蓋率達 95%；另外 10% 屬於困難事件，覆蓋率只有 45%。把兩部分混在一起，整體覆蓋率剛好等於 90%。漂亮的總數與少數重要情境下的低可靠性，完全可以同時存在。

因此，本研究在每個評估群組內分開三個數量。以 AgA_g 表示嘗試作出預測的次數，以 IgI_g 表示成功發出區間的次數，以 KgK_g 表示被區間覆蓋的目標數目，則

C^g=KgIg,C^gservice=KgAg.\widehat C_g=\frac{K_g}{I_g},\qquad \widehat C_g^{\mathrm{service}}=\frac{K_g}{A_g}.

前者是「已發出區間的覆蓋率」，後者是「服務覆蓋率」：如果嘗試預測卻沒有產生區間，後者會把該次嘗試計作未覆蓋。兩種定義不能互換。一項服務若恰好在最難的情況下不作回答，只評估它成功回答的部分，便可能高估使用者實際得到的保障。換一個分母，不只是報表格式不同，而是改變了問題。

在本實驗的主要基準及三個候選方法中，每次嘗試都成功發出區間，所以兩種覆蓋率相同。這是已保存評估結果的特性，不是未來可用性的保證。區間寬度與 interval score 仍然只對已發出的區間有定義；若給沒有答案的預測一個人造的零寬度，反而會獎勵未能提供服務的情況。

但在這兩個分母之前，還有另一道資料範圍限制。主要評估與 ramp 標籤需要同時有已觀測的當前功率，以及已觀測的未來目標。若某個預測起點在發出預測前已被排除，它不會暗中留在服務覆蓋率的分母內。後面討論自然缺失資料時，這個區別尤其重要：即使某個評估範圍內的預測可用性是 100%，也不代表所有可能的停機或遙測失效情況都被涵蓋。

為甚麼要按站點與事件分開看？

資料來自 Chen 與 Xu 所介紹的中國國家電網公開競賽數據，於 2019–2020 年每 15 分鐘量度一次。本研究使用其中的太陽能站點檔案，不是一個模擬太陽能電站。資料的收集與原始背景可見數據論文。公開資料的價值在於讓研究問題可以建立在實際觀測之上，但「真實數據」不等於「任何部署情況都已受到驗證」。

CSGS1 被保留作方法開發。其餘七個候選站點，在比較方法結果之前，先按資料完整性規則篩選。最後留下 CSGS2、CSGS5、CSGS6、CSGS7 與 CSGS8，標稱容量依次為 130、110、35、30 及 30 MW。CSGS3 缺少必要的溫度欄位；CSGS4 的日間目標缺失率為 25.720%，高於預設的 20% 排除門檻。兩者都不是因為某個預測方法在那裏表現差而被刪去。

這個先後次序，保護了外部確認的意思。開發站點可以協助我們形成一個值得測試的方法，但不應再被當成全新的泛化證據。同樣地，資料篩選應回答「能否進行這個比較」，而不是挑選「哪些站點最容易產生我們想要的結論」。若先看結果才決定保留誰，後來的平均改善便很難解釋。

上方展示五個納入及兩個排除站點的容量，下方展示四組依時間擴展的訓練、校準與測試區間。
圖 2．五個確認站點的標稱容量介乎 30 至 130 MW。斜線柱表示排除的 CSGS3 及 CSGS4；CSGS1 只作開發，不列作確認站點。每段訓練資料之後，依次是校準季度及互不重疊的 2020 年測試季度；未來目標跨越資料分界的起點會被移除。時間軸呈現先後區段，不代表獨立重複，也不包含站點地理位置的推斷。

每個保留站點都測試 15 分鐘與 60 分鐘預測。四個測試季度涵蓋 2020 年：第一組訓練期在 2019 年 9 月結束，10–12 月用作校準，再以 2020 年 1–3 月作測試。之後每一折把歷史向前擴展，校準與測試各向前移一個季度。最後一組訓練期在 2020 年 6 月結束，第三季校準，第四季測試。

為甚麼不把時間戳隨機打亂？因為預測程序不應從它將要預測的未來時段學習。還有一個更隱蔽的問題：即使預測起點位於訓練期最後幾分鐘，它的未來目標也可能已落在下一個區段。按目標時間清除跨界起點，才真正阻止這種資料洩漏。只把輸入時間排序，並不足以保證未來反應沒有越過分界。

四個測試季度互不重疊，但不同資料折會重用較早的歷史。因此，它們不是每個站點各自進行四次獨立實驗。大量時間戳也不是大量獨立地理環境。統計上的重複單位是站點：40 個組合描述實驗設計，而五個站點才描述可用的外部重複證據。若把這兩個數字混為一談，便會把研究的廣度說得過大。

一般平均值的計算，先在每個站點內，對合資格的時間折—感測條件—事件群組給予相同權重，再對五個站點等權平均。這回答的是一個以站點為先的問題。如果把所有預測列直接合併，觀測較多的站點或群組便會得到更大影響力。兩者都可能有用途，但它們不是同一個統計量的兩種外觀。閱讀結果時，必須知道作者平均的是甚麼。

Ramp 是事後評估定義，不是預先知道的答案

以 ys,ty_{s,t} 表示站點 ss 在時間 tt 的功率，CsC_s 表示其標稱容量。預測期以 15 分鐘步數表示，事件標籤定義為

rs,t,h=1 ⁣{∣ys,t+h−ys,t∣Cs≥τh},τ1=0.10,τ4=0.20.\begin{aligned} r_{s,t,h}&=\mathbf 1\!\left\{ \frac{|y_{s,t+h}-y_{s,t}|}{C_s}\geq\tau_h \right\},\\ \tau_1&=0.10,\quad\tau_4=0.20. \end{aligned}

因此，ramp 指的是相對容量足夠大的功率絕對變化，急升與急跌都計算在內。容量正規化，讓不同大小站點可以用相同的相對尺度來定義變化，卻不表示這些站點的天氣、設備或動力機制都相同。站點代碼本身亦不提供足夠資訊，讓我們推斷其氣候或地理位置。

兩個門檻並不是等價的變化速率：15 分鐘內變動 10%，與 60 分鐘內變動 20%，選出的事件並不相同。它們是研究保留的事件定義，不是普遍物理臨界點、調度限制或正式操作標準。把門檻改掉，就是在用另一個事件問題檢查同一套預測，而不只是把橫軸改成另一種單位。

最重要的是，這個標籤需要未來功率。結果出現之後，我們可以知道某次預測是否遇上 ramp；發出區間的當下卻不知道。可部署的方法可以利用當前資訊估計 ramp 風險，但不能把真正的未來 ramp 標籤放進模型，再聲稱它只用了預測時可取得的資料。這條時間上的區分，會直接影響後面的「未來標籤診斷」如何解讀。

另一項近期全國尺度太陽能 ramp 研究，支持把快速變化視為值得單獨研究的預測問題；但它不會因此驗證我們這五個站點的結果，也不能替本研究建立地理代表性。兩者的規模與模型不同。這個互補背景可參考 Lanzilao 與 Meyer 的研究。

在 15 與 60 分鐘兩個預測期，Condition 及 Descriptor CQR 的非 ramp 平均站點覆蓋率，都高於 ramp 群組。
圖 3．分開普通變化與 ramp 的平均站點覆蓋率。15 分鐘下，Condition／Descriptor 的非 ramp 覆蓋率為 0.928／0.945，ramp 則為 0.583／0.694；60 分鐘下，相應數值為 0.918／0.935，以及 0.761／0.825。每種方法、每個預測期、每個事件分層都有 100 個合資格群組，即五站、四折及五種感測條件。先在站內平均，再在五站間平均；點不是信賴區間。點線表示標稱 0.90 覆蓋率。

這幅圖說明了為甚麼只報一個平均數並不足夠。校準令兩類群組都改善，但 ramp 覆蓋率仍有明顯短缺。它亦解釋了為甚麼最差群組可以遠差於平均 ramp 群組：後者把不同站點、季度與感測條件混合平均，前者則刻意追問，在哪個有足夠觀測的情境中，這種平均最不能令人放心。

校準如何改變預測區間？

主要比較固定了底層預測器。在每個站點—時間折—預測期的運算中，Condition CQR、Descriptor CQR、Risk-Mondrian、Rolling CQR，以及未來標籤診斷，共用一個經感測退化資料增強的 Extra-Trees 模型。因此，這幾種方法之間的變化，主要反映在同一預測基礎上如何進行校準，而不是每個方法各配一個不同預測器的競賽。

初始區間由森林中各棵樹的點預測之經驗分位數建立。這並不是把葉節點中所有反應值收集起來，再取反應分位數。這個區別很重要：多棵擬合樹之間的意見相近，不自動代表它們已準確描述未來結果的不確定性。即使模型集成看起來很一致，仍可能共同低估某種事件。校準的作用，就是利用已觀測的誤差調整原來的區間。

Romano、Patterson 與 Candès 提出的 Conformalized Quantile Regression提供了一般出發點。本研究採用只擴張、不收縮的分數：

ai=max⁡{q^ℓ(xi)−yi,yi−q^u(xi),0}.a_i=\max\{\widehat q_\ell(x_i)-y_i, y_i-\widehat q_u(x_i),0\}.

如果觀測已在初始區間內，分數便是零；如果低於下界或高於上界，分數就是要把區間向外擴張多少，才足以把該觀測納入。公式中的零不是可有可無的寫法，而是令這個版本只會擴張。它不會利用負修正，把本來已經偏寬的初始區間收窄。這亦是閱讀方法名稱時必須留意的地方：同屬 CQR，實際分數定義仍然會影響行為。

給定一個非負修正量 q(x)q(x)，最終端點為

L(x)=max⁡{0,q^ℓ(x)−q(x)},U(x)=min⁡{Cs,q^u(x)+q(x)}.\begin{aligned} L(x)&=\max\{0,\widehat q_\ell(x)-q(x)\},\\ U(x)&=\min\{C_s,\widehat q_u(x)+q(x)\}. \end{aligned}

把端點限制在零與容量之間，是保留模型所用的物理輸出範圍；它不會把一個經驗估計的修正量，變成普遍可靠性保證。如何選修正量、它使用哪些資訊、校準期是否足以代表測試期，仍然是必須回答的問題。下面四種方法，正是在這個修正步驟採取不同做法。

四種決定擴張幅度的方法

Condition CQR 按已知的感測條件分組校準。天氣輸入缺失的預測，不必使用與完整輸入相同的修正量。這個基準承認缺失資訊會改變誤差，但同一感測條件內仍可能包括很不同的事件風險；一個條件級修正值，仍然是在這些情境之間作某種折衷。

Risk-Mondrian 再加入四個預測時風險分層。另一個 Extra-Trees 分類器，利用訓練資料與可用特徵估計 ramp 風險。校準分數按感測條件及風險箱分組。為免小群組的估計過於不穩，方法把該箱修正量與條件級修正量混合；有 nn 個校準觀測時，該箱的權重為 n/(n+100)n/(n+100)。空箱則退回條件級修正。這是在群組之間分享資訊，而不是把稀疏群組的分位數當成同樣可信。

Descriptor CQR 直接建立分數模型。LightGBM 分位數模型使用 15 個描述量，包括估計風險、按容量正規化的初始寬度及中位數、三類特徵缺失比例、已觀測背景比例、時刻的正弦與餘弦、轉換風險，以及五個感測條件指標。它是「分數模型加按時間排列的殘差校準」，不是近鄰校準。模型要從預測情境的描述，估計適合的擴張程度，而不是先量距離、再找鄰近案例。

最早 60% 的獨立校準時間點用來擬合分數模型；較後 40% 用來計算另一層殘差修正。若模型估計的分數分位數是 q^(x)\widehat q(x)，最後修正形式為

q(x)=max⁡{q^(x)+κ,0},κ=max⁡{0,Q1−αresidual}.\begin{aligned} q(x)&=\max\{\widehat q(x)+\kappa,0\},\\ \kappa&=\max\{0,Q_{1-\alpha}^{\mathrm{residual}}\}. \end{aligned}

這裏 α=0.10\alpha=0.10。殘差分位數使用有限樣本次序 ⌈(n+1)(1−α)⌉\lceil(n+1)(1-\alpha)\rceil，並限制在可用的 1 至 nn 範圍。分割按照獨立時間點進行，避免同一時間的多種感測條件副本跨越兩部分。先擬合分數關係，再用較後資料修正殘差，目的就是不把同一批擬合誤差同時當作獨立的校準檢驗。這種安排保留時間順序，但不是本研究新建立的條件覆蓋定理。

Rolling CQR 則使用每種條件最近 500 個已釋放分數，並要求至少有 100 個。「已釋放」是關鍵：一個 60 分鐘預測的誤差，不會在發出預測後立即知道，必須等到相應目標真的出現。若提早把它加入滾動校準，就等於把未來資訊偷偷交給了模型。對時間序列而言，方法的更新時間本身也是科學假設的一部分。

這些機制以不同方式處理異質性與時間變化，但沒有任何一種可以省略困難群組評估。序列預測共形推斷研究殘差之間的時間依賴；自適應共形預測則研究隨時間調整的方法。這些工作的理論結論各有指定方法與假設，不能因為名稱相關，就自動移植到本研究的實證流程。

感測壓力測試究竟移除了甚麼？

研究設五種情況：完整輸入、移除輻照特徵、移除天氣特徵、移除近期功率特徵，以及合併移除。三個特徵家族分別包含 9、9 與 13 個特徵；合併條件移除其聯集，共 31 個。被預測的目標仍然是已觀測值，沒有進行插值。

這是一種受控比較：在預測起點限制某些資訊，觀察不同校準方法如何回應。它不是完整的儀器老化模型，亦沒有模擬停機持續時間、通訊恢復、突發雜訊或量度漂移。底層預測器也接觸過退化訓練例子，所以不能把它說成對一種完全未知故障的盲測。這些實驗最直接的價值，是讓方法在相同目標及清楚定義的資訊限制下接受比較。

改善是一個比較，可靠性是一個要求

對每個合資格群組，我們相對於 90% 目標定義欠覆蓋，再在每個站點與預測期內取最大短缺：

ug=max⁡{0,0.90−C^g},Ws,h(m)=max⁡g∈Gs,hug.\begin{aligned} u_g&=\max\{0,0.90-\widehat C_g\},\\ W_{s,h}^{(m)}&=\max_{g\in\mathcal G_{s,h}}u_g. \end{aligned}

群組至少需要 80 個已發出區間。這條規則排除非常小的樣本格，但 80 並不是精度保證。相鄰預測可能有依賴，而最大值亦是在多個群組中挑選出來。最差群組是值得檢查的地方，不代表它的樣本估計已成為沒有雜訊的母體常數。這也是我們同時保留群組樣本數、站點數與具體條件的原因。

研究刻意採用一個相對寬鬆的絕對檢查：

Ws,h(m)≤0.10at every station.W_{s,h}^{(m)}\leq0.10\quad\text{at every station}.

由於目標是 0.90，這條要求容許合資格群組的覆蓋率低至 0.80。它是研究用的檢查底線，不是說電網操作只需 80% 就足夠；它亦不是顯著性檢定或業界標準。即使通過，仍有操作層面的驗證未完成。因此，未通過這條已經寬鬆的底線，是一個不能被平均改善掩蓋的結果。

相對比較則問另一組問題：平均站點改善是否至少 0.05？是否至少 60% 的站點有正改善？以站點重抽樣計得的「候選減基準最差欠覆蓋」上界，是否低於零？完整輸入條件下的 proper score 比值，是否不超過 1.10？平均配對改善定義為

Δ‾h=15∑s(Ws,hCondition−Ws,hcandidate).\overline\Delta_h=\frac{1}{5}\sum_s \left(W_{s,h}^{\mathrm{Condition}}-W_{s,h}^{\mathrm{candidate}}\right).

正值代表候選方法較好。配對保留站點身份：某站點有大幅改善，不應被當成另一站點也受益的證據；每一次比較都由該站自己的基準出發。同時，若某個候選只靠大幅拉寬所有區間來獲得覆蓋改善，完整輸入條件下的評分限制會提供另一個檢查角度。

每個站點的配對點顯示 Descriptor CQR 均降低最差群組欠覆蓋，但所有結果仍高於 0.10 容許短缺。
圖 4．每個預測期的五組站點配對。藍色圓點表示 Condition CQR，橙色方點表示 Descriptor CQR；連線連接同一站點，不是信賴區間。每組都改善，但每個 Descriptor 結果仍在 0.10 欠覆蓋容差虛線右側。不同方法的最差群組可以不同，所以連線比較的是站點最差端點，不是同一個已選時間戳群組。

Descriptor CQR 在兩個預測期都符合相對比較準則。Risk-Mondrian 只在 15 分鐘符合；它在 60 分鐘的平均改善 0.040，低於要求的 0.05。Rolling CQR 在兩個預測期都未符合比較準則。所有可部署候選，都沒有符合絕對可靠性準則。

預測期（分鐘）候選方法平均改善相對比較準則絕對可靠性準則
15Descriptor CQR0.110符合不符合
15Risk-Mondrian0.079符合不符合
15Rolling CQR-0.002不符合不符合
60Descriptor CQR0.080符合不符合
60Risk-Mondrian0.040不符合不符合
60Rolling CQR0.022不符合不符合

表中亦保留了有用的負面證據。較近期的校準視窗，不自動等於對下一次困難事件有更好的描述。Rolling 在 15 分鐘的平均變化略為不利，不是一個被省略的平手；60 分鐘雖然有正改善，卻仍不足以符合要求。這些是指定程序的觀測結果，不代表所有可能的滾動校準方法都注定失敗。

五站設計亦限制了不確定性陳述的力度。站點級 bootstrap 描述已觀測站點之間的變異，不會製造額外站點。即使摘要區間支持平均改善，仍有必要展示每一組配對。共同資料來源與有限站點數，使我們不能進一步聲稱方法已在廣泛地理或氣候條件下可靠。結果可以支持下一輪研究，但不能靠重新命名重複單位來擴大結論。

更寬的區間，不是免費的改善

假如每次都給出涵蓋所有合理功率值的區間，覆蓋率通常會很好看，卻幾乎沒有區分能力。因此，只看覆蓋率，容易獎勵一個過於簡單的反應：把每條陰影帶都畫得更闊。本研究同時報告區間寬度，以及兼顧寬度與漏失的 proper interval score。

當 α=0.10\alpha=0.10，評分為

Sα(L,U;y)=(U−L)+2α(L−y)1{y<L}+2α(y−U)1{y>U}.\begin{aligned} S_\alpha(L,U;y)={}&(U-L)\\ &+\frac{2}{\alpha}(L-y)\mathbf 1\{y<L\}\\ &+\frac{2}{\alpha}(y-U)\mathbf 1\{y>U\}. \end{aligned}

第一項為寬度付出代價；另外兩項分別懲罰低於下界或高於上界的距離。只差少許就進入區間，與偏離很遠，得到的懲罰並不一樣。把寬度及評分都除以站點容量，可以在不同規模站點之間使用可比較的報告尺度。評分越低越好，並不是越高越有信心。

這裏的係數 2/α2/\alpha 等於 20。舉一個假想數值例子：正規化寬度為 0.20，而真值高於上界 0.05，則評分為 1.20。若把上界擴張到能包含真值，雖然增加了寬度代價，卻消除了一個更大的漏失懲罰。但放到很多觀測上，擴張亦會令原本已覆蓋的案例付出額外寬度。因此，整體得失不能只靠這一個例子判斷，必須從實際結果計算。

散點圖顯示三個校準候選相對 Condition CQR 的區間變寬，但在兩個預測期的整體 proper interval score 下降。
圖 5．15 與 60 分鐘下，相對 Condition CQR 的寬度—評分取捨。先對每站合資格群組等權平均，再對五站等權平均。向右表示區間更寬，向下表示正規化 proper interval score 更好。Descriptor 在兩個預測期的寬度均增加 0.028，評分分別改變 -0.049 與 -0.027。四個主要方法在這些評估中都成功發出每個區間。點代表已保存的整體估計，並無暗示不確定性帶。

Descriptor 的平均正規化寬度在兩個預測期都增加 0.028，而正規化 proper score 分別下降 0.049 及 0.027。這表示更寬的區間，在本次比較中確實改善了兼顧覆蓋與集中程度的評估，而不只是單純把覆蓋率推高、沒有其他利益。

但這個結論不能抹去取捨變差的群組。15 分鐘下，非 ramp 覆蓋率增加 0.017，寬度增加 0.012，評分卻惡化 0.001；ramp 則分別改變 +0.110 覆蓋、+0.045 寬度及 -0.099 評分。較大的 ramp 改善，解釋了為甚麼整體可以變好，同時普通情況卻付出少量效率代價。「平均更好」與「每一部分都更好」，依然是兩句不同的說話。

60 分鐘下，非 ramp 的變化是 +0.017 覆蓋、+0.015 寬度及 -0.004 評分；ramp 的相應變化是 +0.065、+0.040 及 -0.051。這些是相關群組的平均值，不是前面展示的最差群組端點。不能把分層平均評分與站點最大短缺直接相減，再把所得數字解釋成一個新的性能指標。

既有的太陽能共形預測研究為區間校準提供了背景。本研究補充的是一個較窄、但重要的提醒：整體區間評分改善，不會自動修復最弱的條件覆蓋率。至於區間能否協助真實控制決策，還取決於決策規則、不同方向錯誤的後果，以及操作人員實際可以採取的行動。本研究沒有量度這些調度結果，因此不會把評分改善直接換算成電網收益或安全保證。

為甚麼未來標籤不是性能上限？

一個很自然的疑問是：如果校準器預先知道 ramp 將會發生，情況會怎樣？研究加入了一個使用真實未來 ramp 標籤的參考方法。這是刻意使用預測時不可能取得的資訊，所以它是一項診斷比較，不是可部署的候選。

我們可能很想把它叫作「完美資訊上限」，再把剩餘差距拆成資訊不足與校準不足兩部分。然而，這種解讀並沒有得到支持。知道標籤，會改變哪些校準觀測被分到同一群組，卻不保證從有限群組估計出來的修正量，一定優於另一種方法。有限校準樣本、不同分組，以及最差群組這個目標本身，都可能令比較更複雜。

逐站直接比較 Descriptor CQR 與不可部署的未來標籤診斷，其中 CSGS5 在 60 分鐘下的未來標籤結果反而較差。
圖 6．每個預測期的五站配對，比較 Descriptor CQR 與使用真實未來 ramp 標籤的參考方法。該標籤在預測時不可取得。CSGS5 在 60 分鐘下，Descriptor 的最差群組欠覆蓋為 0.175，未來標籤參考卻為 0.253，圖中保留這個逆轉。連線只是描述性比較，不是可相加的成分、因果效果、誤差棒或保證性能上界。

CSGS5、60 分鐘是關鍵反例：未來標籤參考的最差群組欠覆蓋反而較大，達 0.253，而 Descriptor 是 0.175。擁有額外資訊的特定方法，不一定在每個站點與每個評估準則下，都是更好的有限樣本程序。這不表示未來資訊本身有害，而是說這個參考方法，並不是所有可以利用該資訊的方法之中的最優解。

Descriptor 減去參考方法的欠覆蓋差距，中位數在 15 分鐘為 0.262，60 分鐘為 0.072。這些摘要可以協助提出哪些預測時描述量值得研究，但不能識別因果貢獻。我們沒有在其他機制全部固定的條件下，單獨干預大氣資訊；亦沒有建立任何可把總誤差拆成幾個成因的分解定理。

這也是圖像採用配對點、而不是堆疊柱的原因。堆疊柱容易暗示總短缺可以分成幾個非負的解釋部分，彷彿每部分都有清楚來源。但這裏連差距的符號也可能逆轉。較誠實的下一個科學問題，是更好的預測時風險資訊，能否在新的評估中減少困難群組誤差；而不是聲稱目前已經因果地分配好，每一部分誤差究竟來自甚麼。

結論會不會依賴事件門檻？

不重新擬合模型，也可以用不同 ramp 定義來評估已保存預測。15 分鐘門檻取容量的 7.5%、10% 及 15%；60 分鐘則取 15%、20% 及 25%。區間預測本身保持不變，改變的只是哪些事件被歸入 ramp。

這是一項評估標籤敏感度分析。訓練權重、風險分類器標籤、校準器，以及未來標籤參考，仍使用原來的標稱定義。不能把這些曲線說成每一個門檻都各自重新最佳化的完整預測系統。如果另做一項在不同門檻重新訓練的研究，結果可以不同；那會是新的實驗，不是本圖已回答的問題。

不重新擬合的門檻敏感度圖，顯示最差欠覆蓋上升、ramp 樣本支持減少，兩個預測期在最高門檻都只餘四個可評估站點。
圖 7．固定預測下，不同事件標籤的合資格群組最差欠覆蓋。刻度文字列出有足夠 ramp 樣本的站點數，以及至少 80 個已發出區間的時間折—感測條件 ramp 群組數。15 分鐘的群組數依次是 100、100、70；60 分鐘是 100、100、80。最高門檻下，CSGS8 沒有合資格 ramp 群組，所以只餘四個 ramp 可評估站點。部分 Condition 與 Rolling 點有意重合；曲線只連接已評估門檻，不是擬合出的連續定律。

15 分鐘的 ramp 起點數由 12,928 減少至 8,269，再減少至 3,946；60 分鐘則由 24,267 減少至 13,718，再減少至 6,903。這些是預測起點數，不是跨五種感測條件複製後的五倍列數。更嚴格門檻選出更少、幅度更大的變化，因此事件難度與樣本支持同時在改變，不能假設只有其中一項改變。

最高的 15 分鐘門檻下，CSGS2 只保留 10 個合資格 ramp 群組，另外三站各有 20 個，CSGS8 一個也沒有，總數是 70。最高的 60 分鐘門檻下，四站各有 20 個，CSGS8 再次沒有，總數是 80。支持數量中的零，表示沒有符合規則的群組，不表示已觀測到零錯誤率。如果把它畫成一條貼着零失敗線的柱，就會把資料不足錯寫成好消息。

Descriptor 的最差合資格群組短缺，在三個 15 分鐘門檻下依次為 0.301、0.430、0.589；60 分鐘則為 0.255、0.363、0.413。結果支持我們關注更困難事件下的可靠性，但合資格群組的範圍亦在改變，所以不能簡單說成同一個完全不變的五站 ramp 面板，沿着門檻逐步變差。

檢查容差亦可以在不改任何預測下改變。欠覆蓋容差 0.05、0.10 與 0.15，分別對應 85%、80% 與 75% 的覆蓋底線。即使採用最寬鬆的一條，也只有 Descriptor 在 60 分鐘的一個站點達標；沒有方法符合所有站點都達標的要求。移動報告上的線，不會改善預測本身；敏感度分析亦不應變成尋找一條能讓失望結果消失的線。

自然缺失資料到底能告訴我們甚麼？

人工移除特徵，提供了一種受控比較；自然缺失則提出另一個問題：歷史紀錄是否真的包含足夠相關案例，讓我們檢查量度本來就缺失時發生了甚麼？兩種分析有關聯，但不能只因為都叫「缺失」，便視為同一種驗證。

先看資料範圍。15 分鐘下，有 110,425 個日間測試起點具有已觀測的未來目標；其中 382 個缺少當前功率而被排除，留下 110,043 個模型可評估起點。60 分鐘的相應數字是 110,302、1,348 及 108,954。這些排除發生在本分析所用的預測與 ramp 標籤之前。因此，完整的當前功率遙測中斷，並沒有受到本研究評估。

再看條件樣本支持。自然缺失分析從四個主要方法的完整條件預測中，選出相關特徵家族本來就有缺失的案例。資料格式中原本不存在的可選通道，不被當作持續故障的感測器。五站、四折、兩個預測期、四個特徵家族、兩種事件分層，共組成 320 個家族—ramp 群組；只有 24 個達到至少 80 個觀測的要求，而且全部來自 CSGS5。

上方表格分開未來目標已觀測、當前功率缺失及可評估起點，下方顯示兩個預測期都只有 CSGS5 有足夠自然缺失群組。
圖 8．自然缺失分析的適用範圍。上表分開已觀測未來目標、當前功率缺失排除，以及模型可評估起點。下方展示每站每個預測期 32 個可能家族—ramp 群組中的合資格數：15 分鐘有 8 個，60 分鐘有 16 個，全部在 CSGS5。其餘站點標示為不可評估，而非沒有錯誤。24／320 包含互有重疊的特徵家族選取；合併計算性能時，相同時間戳集合只計一次。

「支持數量」與「性能」的差別非常重要。八個合資格群組的柱不是準確率分數；兩個家族標籤若選中完全相同的時間戳，也不是兩次獨立重複。自然缺失摘要會先去除近期功率與合併家族中相同的選取集合，再合併性能。否則，看起來更豐富的分層，實際上只是同一批觀測被重複展示。

被選中的結果同時有收益與代價。15 分鐘非 ramp 子集有 4,189 個觀測：Descriptor 減去 Condition 的變化，依次是覆蓋 -0.002、欠覆蓋 +0.000、正規化寬度 +0.003，以及正規化評分 +0.001。60 分鐘的 3,767 個非 ramp 觀測，依次得到 +0.020、+0.000、+0.016 及 +0.003。也就是說，在這些選定的非 ramp 子集中，區間更寬、甚至覆蓋更高，也未必換來更好的評分。

在被選中的 614 個 60 分鐘 ramp 觀測中，相應變化是覆蓋 +0.033、欠覆蓋 -0.022、寬度 +0.028，以及評分 -0.018。覆蓋增益與欠覆蓋減幅不同，是因為欠覆蓋在零截斷：合併覆蓋一旦越過 0.90，繼續增加覆蓋，不會再減少已經為零的短缺。先合併覆蓋再截斷，也不同於先把每個群組截斷、再平均那些短缺；這裏報告的自然缺失比較採用前者的合併量。

這不是純粹的算術細節。若讀者想檢查數字，卻把兩個不同聚合次序混用，就會以為研究前後不一致；若作者沒有說明次序，則可能在不知不覺間改變了所回答的問題。最差群組、站點等權平均與選定案例的合併覆蓋，各自都有不同作用，不應在同一段結論中互相替代。

這些結果是一項運算後的描述性敏感度分析，不是跨五個站點的新確認。缺失值下的共形預測研究有助理解為甚麼缺失模式值得明確檢查，但它不會讓這個被選中的 CSGS5 子集，自動代表所有缺失機制或真實停機。資料中的自然缺失，與實際操作中最令人擔心的完全無訊號情境，可能有不同的選取條件。

因此，下一步不完全是一個模型複雜度問題，也是一個量度問題。在提出更複雜校準器之前，應先問：哪些目前被排除的情況，能否被誠實地觀測和評估？未來研究可能需要在遙測中斷期間獨立保存真實目標，並設計不依賴當前功率的預測程序。這是下一項研究的設計方向，不是本次資料已提供的證據。

下一步應該測試甚麼？

有三個問題自然地接着出現。第一，預測時可取得的描述量，能否更有效區分將要發生的困難事件，而不使用真正的未來標籤？有說服力的測試，應保留按時間擬合，並評估新的站點級結果，而不是在看過同一批最差群組之後，再挑選最能解釋它們的描述量。

第二，能否改善普通情況下付出過多寬度代價的部分？好的候選應保留 ramp 覆蓋收益，同時避免在其他情境不必要地擴張。這需要一起報告覆蓋、寬度與 proper score，而不是當某個結果不方便時，就換另一個數字做標題。指標之間存在取捨，本身就是需要研究的現象，不應被單一總排名蓋過。

第三，哪一種可靠性要求才真正對應某個決策？本研究分開檢查兩個預測期，沒有檢查整條未來軌跡的同時覆蓋。ConForME說明了多預測期不確定性為甚麼是另一個問題。如果決策依賴一連串功率值、儲能限制或不對稱備轉成本，就需要圍繞該決策設計評估。兩個個別預測期的檢查，不能默默升格成整段軌跡的保證。

三個問題都需要新的證據。更多站點能加強外部重複；更完整的停機紀錄能擴大可評估情況；以決策為中心的實驗能測試操作價值。這些工作都不能被同一個有限資料環境中更多的時間戳取代，彷彿它們就是新的獨立世界。把下一個問題說得具體，比把目前結果說得更大，更有助於研究向前走。

結論

最令人鼓舞的結果，同時也是我們不應過度自信的原因。Descriptor CQR 在每個確認站點，都改善了最差群組端點；較寬的區間亦換來更好的整體 proper score。在本研究所評估的比較範圍內，這個改善是存在的。

然而，最困難群組的覆蓋率仍只有 0.470 與 0.537，標稱目標卻是 0.90。沒有可部署候選通過那條已經刻意寬鬆的所有站點可靠性檢查。因此，研究支持繼續改善條件校準，不支持聲稱太陽能 ramp 與感測退化下的不確定性問題已被解決。

下一次看見預測旁邊令人放心的陰影帶時，值得問的不只是「這個方法有沒有擊敗基準」。更有用的問題是：在哪些條件下可靠？涵蓋了哪些預測嘗試？在哪些站點？付出了多大區間寬度？又是為哪一種決策服務？當這些問題變得更容易回答，不確定性估計才真正變得更有用。

研究與作者紀錄

本文解說的論文是 When Solar Power Changes Fast: A Multi-Site Audit of Prediction-Interval Reliability under Ramp Events and Sensor Degradation。按正式作者次序，作者為 Hong U Lo、Zibo Gao、Peng Chi Lam、Sok Kin Cheng；所屬機構為 St. Joseph Diocesan College (The Fifth School), Macao SAR, China。Sok Kin Cheng 為通訊作者及學生研究指導老師。

研究於 2026 年 9 月 3 日，由 ADMA 2026 Research Track 接納為 Short Paper，並於 2026 年 9 月 9 日完成 camera-ready 提交。會議預定於 2026 年 11 月 13–15 日在香港舉行。目前記錄的是接納與提交兩個里程碑；本頁不聲稱已完成報告、已有正式論文集條目、已獲索引，或已有論文 DOI。

數值解說依據已提交的八頁署名正式稿及其公開研究版本。本文圖像由已保存結果重新繪製，不是重新訓練模型所得的新實驗。專案頁提供精簡介紹；研究指導紀錄提供教育背景。

參考文獻

  1. Chen, Y., and Xu, J. (2022). Solar and wind power data from the Chinese State Grid Renewable Energy Generation Forecasting Competition. Scientific Data, 9, 577.
  2. Lanzilao, L., and Meyer, A. (2026). Characterization and forecasting of national-scale solar power ramp events. arXiv 預印本。
  3. Galvão Lopes, A., Goubault, E., Putot, S., and Pautet, L. (2024). ConForME: Multi-horizon conditional conformal time series forecasting. PMLR, 230, 345–365.
  4. Renkema, Y., Visser, L., and AlSkaif, T. (2024). Enhancing the reliability of probabilistic PV power forecasts using conformal prediction. Solar Energy Advances, 4, 100059.
  5. Romano, Y., Patterson, E., and Candès, E. (2019). Conformalized Quantile Regression. Advances in Neural Information Processing Systems, 32.
  6. Xu, C., and Xie, Y. (2023). Sequential Predictive Conformal Inference for Time Series. PMLR, 202, 38707–38727.
  7. Zaffran, M., Dieuleveut, A., Josse, J., and Romano, Y. (2023). Conformal Prediction with Missing Values. PMLR, 202, 40578–40604.
  8. Zaffran, M., Féron, O., Goude, Y., Josse, J., and Dieuleveut, A. (2022). Adaptive Conformal Predictions for Time Series. PMLR, 162, 25834–25866.