数值天气预报基础：NWP原理简介、常用NWP数据源与预处理
大家好，我是老张。今天咱们聊聊数值天气预报——也就是NWP。这玩意儿说白了，就是风电预测的“粮食”。没有它，后面那些花里胡哨的模型全是空中楼阁。
我刚开始做风电预测那会儿，总觉得NWP数据就是“天气预报嘛，拿来用就行了”。结果呢？模型跑出来一塌糊涂。后来才明白，不懂NWP的原理和坑，预测精度根本提不上去。今天我就把这些年踩过的坑、总结的经验，一次性讲清楚。
NWP原理简介：大气是怎么“算”出来的？
数值天气预报，本质上就是解方程。把大气分成一个个小格子，然后用物理方程描述每个格子里空气的运动、温度变化、水汽凝结……说白了，就是“把大气装进计算机里跑”。
嗯，这里要注意：NWP不是“猜”天气，而是“算”天气。它基于三个核心方程：
- 运动方程：描述空气怎么流动（牛顿第二定律的变体）
- 热力学方程：描述温度怎么变化
- 连续方程：描述空气质量怎么守恒
你想想看，全球大气有多少个格子？ECMWF的HRES分辨率是9公里，全球大概有……嗯，几千万个格子。每个格子每几分钟就要算一次，这计算量，啧啧。
核心要点：NWP不是“预报”，而是“模拟”。它用当前观测数据作为初始条件，通过物理方程推演未来状态。初始条件越准，预报越准。
我在项目中遇到过最头疼的问题：初始场误差。有一次用GFS数据做72小时预报，结果第三天风场完全偏离实际。后来排查发现，是初始场里一个低压系统的位置偏了50公里。你看，差之毫厘，谬以千里。
常用NWP数据源：ECMWF、GFS、CMA-MESO
市面上NWP数据源不少，但做风电预测，常用的就这三个。我一个个说。
ECMWF（欧洲中期天气预报中心）
圈内公认的“老大哥”。分辨率高、预报准，但……贵。我习惯用它的HRES产品，9公里分辨率，全球覆盖。做风电场的短期预测（0-3天），ECMWF基本是首选。
- 优势：全球顶级，尤其是中纬度地区的风场预报
- 劣势：收费，而且不便宜。个人用户基本别想了
- 我的用法：做72小时以内的主模型输入
小技巧：ECMWF的开放数据（ERA5）虽然免费，但那是再分析数据，不是实时预报。别搞混了。
GFS（全球预报系统）
美国国家气象中心的产物。免费、全球覆盖、更新频率高（每6小时一次）。精度嘛……比ECMWF差一截，但胜在不要钱。
- 优势：完全免费，数据量大，适合做ensemble
- 劣势：分辨率偏低（13公里），中纬度地区误差较大
- 我的用法：做对比模型，或者ECMWF数据拿不到时的备选
我曾经用GFS做过一个月的对比实验，发现它在台风路径预报上比ECMWF差不少。但日常风况，凑合能用。
CMA-MESO（中国气象局中尺度模式）
国内做风电预测，这个必须提。CMA-MESO是中国气象局自主研发的中尺度模式，分辨率3公里，覆盖中国区域。精度嘛……在东亚地区，有时候比ECMWF还准。
- 优势：中国区域高分辨率，更新快（每3小时一次）
- 劣势：只覆盖中国及周边，全球其他区域没有
- 我的用法：做中国区域风电场的核心输入
避坑指南：我曾经用CMA-MESO数据做新疆某风电场的预测，发现冬季数据经常缺失。后来才知道，CMA-MESO的积雪反照率参数化方案在高海拔地区有问题。嗯，这个坑我踩过。
这三个数据源怎么选？我个人的经验是：
| 场景 | 推荐数据源 | 理由 |
|---|---|---|
| 短期预测（0-3天） | ECMWF + CMA-MESO | 精度优先 |
| 中期预测（3-7天） | GFS + ECMWF ensemble | ensemble降低不确定性 |
| 中国区域 | CMA-MESO | 高分辨率，本地优化 |
| 预算有限 | GFS | 免费，够用 |
数据下载与预处理：从原始数据到可用特征
数据拿到手，不是直接就能用的。原始NWP数据是GRIB2格式，一堆二进制，看着就头大。我刚开始做的时候，光解析GRIB2就折腾了两天。
下面是我常用的流程：
- 下载：用wget或Python的requests库，从各数据源FTP/API拉取
- 解析：用cfgrib或pygrib把GRIB2转成xarray DataFrame
- 插值：把网格数据插值到风电场坐标点
- 特征提取：提取风速、风向、温度、气压、湿度等关键变量
- 质量控制：检查缺失值、异常值、时间对齐
这里给一段我常用的代码，解析GRIB2并提取风速：
import xarray as xr
import cfgrib
# 读取GRIB2文件
ds = xr.open_dataset('gfs_20240101_00.grib2', engine='cfgrib')
# 提取10米风速
u10 = ds['u10'] # 东向分量
v10 = ds['v10'] # 北向分量
# 计算风速大小
ws = (u10**2 + v10**2)**0.5
# 插值到风电场坐标（经度、纬度）
ws_interp = ws.interp(latitude=40.5, longitude=116.3)
print(ws_interp.values)
小技巧：GRIB2文件里风速是分量的（u、v），不是直接给风速大小。记得自己算。我见过有人直接用u分量当风速，结果模型跑出来全是负值……
预处理这一步，我踩过最大的坑是时间对齐。NWP数据的时间是UTC，风电场SCADA数据是本地时间。有一次我忘了做时区转换，结果模型用未来数据预测过去……嗯，效果当然“好”得离谱。
避坑指南：我曾经用GFS数据做某风电场预测，发现模型精度突然下降。排查了两天，发现是GFS更新了网格分辨率，从0.25度变成了0.13度。插值参数没改，导致坐标偏移。从那以后，我每次更新数据源都会先做一次可视化检查。
知识体系总览
说了这么多，我画了一张图，把NWP的核心逻辑串起来。你看一眼就明白了：
这张图把NWP的整个链条串起来了：从数据源、物理方程、初始条件，到数值求解，再到输出和预处理，最后成为风电预测模型的输入。每一步都有坑，每一步都值得花时间打磨。
好了，NWP的基础就聊到这儿。记住一句话：NWP数据是风电预测的“粮食”，粮食不好，再好的厨子也做不出好菜。下一章咱们聊聊怎么用这些数据做具体的预测模型。