問題與決策情境
做風力或太陽能預測時，很容易直接討論類神經網路、支援向量機或集成模型。但在談任何進階模型之前，都應該先問：它有沒有贏過最簡單的基準？Persistence baseline 的想法很簡單：下一個時間點的預測值，等於目前觀測值。若要預測一小時後，就先假設一小時後和現在相同。
為什麼這個基準很強
許多自然現象有短期連續性。風速、雲量、負載與設備狀態都不會每分鐘完全重抽一次。因此，在很短的預測時間範圍內，「維持現狀」常常不是笨方法，而是很難擊敗的低成本基準。如果一個複雜模型在 10 分鐘或 1 小時尺度上贏不了 persistence，它可能只是學到噪音，或驗證方式有問題。
它不能解決什麼
Persistence 對突變很弱。鋒面通過、風場快速轉向、日出日落、設備限載或突發停機，都會讓「和現在一樣」失效。預測時間越長，persistence 通常越不可靠。因此它不是最終模型，而是第一道門檻。
最簡單的基準方法
若資料是每 10 分鐘一筆，預測 30 分鐘後的功率，可以用目前功率當作 30 分鐘後的預測。若要預測 6 小時後，則可比較 persistence、昨日同時段、氣象預報驅動模型三種基準。
進階模型能增加什麼
進階模型可以使用天氣預報、風速高度修正、風機功率曲線、季節性、地形與機組可用率等資訊。它真正的價值不是永遠比 persistence 好，而是在天氣變化、長時間預測與高風險時段提供更好的風險排序。
評估方法與錯誤成本
評估時要依預測時間長度分開看。10 分鐘、1 小時、6 小時、隔日預測，是不同問題。也要分正常風況、低風速、高風速與接近切出風速的區間，因為同樣的功率誤差在不同情境下代表不同決策風險。
失敗情境
若模型沒有和 persistence 比較、只挑有利時段展示，或把短期連續性誤當成長期預測能力，就容易高估模型價值。本站案例為合成情境，僅供方法展示。
用互動模型建立直覺
改變參數並比較基準，觀察限制與假設如何影響結果。工具只供教育展示，不代表真實系統。