第3章特征工程基础

3. 特征工程基础：时间特征提取、气象特征融合、滞后特征构造

各位同学，咱们今天聊聊特征工程。说实话，在风电预测这个领域，模型再牛，特征不行也是白搭。我见过太多人一上来就堆模型，结果精度上不去，回头一看，特征工程做得一塌糊涂。说白了，特征工程就是给模型喂“好料”，料不好，神仙也救不了。

这一章，我重点讲三个核心方向：时间特征提取、气象特征融合、滞后特征构造。这三个东西，是我在多个风电项目里反复打磨出来的“三板斧”。

核心观点：特征工程不是越多越好，而是越“对”越好。时间、气象、滞后，这三类特征基本覆盖了风电预测90%的信息量。

3.1 时间特征提取：给数据打上“时间标签”

风电功率跟时间的关系，比你想象的要紧密得多。白天风大还是晚上风大？夏天风多还是冬天风多？这些规律，模型自己学起来很费劲，但如果你把时间特征喂给它，它一下就懂了。

我个人习惯，时间特征至少做以下几类：

小时特征：0-23，表示一天中的时刻。注意，这里最好做周期编码，用sin和cos变换，避免0点和23点被模型当成“距离很远”。
星期特征：1-7，区分工作日和周末。风电负荷在周末往往偏低，这个特征很有用。
季节特征：春、夏、秋、冬，或者直接用月份。不同季节的风资源分布差异很大。
节假日标记：0/1二值特征。节假日期间，电网负荷变化，风电消纳能力也不同。
昼夜标记：白天/夜晚，或者日出日落时间。这个对光伏+风电混合场站特别重要。

小技巧：时间特征的周期编码，我一般用 sin(2π * hour / 24) 和 cos(2π * hour / 24) 两个维度。这样既保留了时间的顺序性，又解决了“0和23很近”的问题。我在一个项目中试过，加了周期编码后，模型精度提升了约3%。

# 时间特征周期编码示例
import numpy as np
import pandas as pd

def add_time_features(df, datetime_col='datetime'):
    """添加时间特征"""
    df['hour'] = df[datetime_col].dt.hour
    df['dayofweek'] = df[datetime_col].dt.dayofweek
    df['month'] = df[datetime_col].dt.month
    
    # 周期编码
    df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
    df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)
    df['month_sin'] = np.sin(2 * np.pi * df['month'] / 12)
    df['month_cos'] = np.cos(2 * np.pi * df['month'] / 12)
    
    # 节假日标记（需要外部数据）
    # df['is_holiday'] = df[datetime_col].isin(holiday_dates).astype(int)
    
    return df

3.2 气象特征融合：别只盯着风速

很多人做风电预测，就只拿风速一个气象特征。嗯，这其实是个坑。风速当然重要，但气象要素之间是相互影响的。你想想看，风向变了，风速再大也可能没功率；温度低了，空气密度变大，同样风速下功率反而更高。

我在项目中遇到过一个案例：某风场在冬季经常出现“风速很大但功率上不去”的情况。后来一查，是气温骤降导致空气密度变化，而模型根本没考虑温度特征。加了温度特征后，预测误差直接降了5%。

我建议融合以下气象特征：

特征名称	说明	重要性
风速	平均风速、最大风速、最小风速	★★★★★
风向	角度值，建议做sin/cos编码	★★★★☆
温度	影响空气密度，进而影响功率	★★★★☆
气压	与风速、风向强相关	★★★☆☆
湿度	高湿度可能影响叶片结冰	★★★☆☆
湍流强度	反映风速波动剧烈程度	★★★☆☆

避坑指南：我曾经在融合气象数据时，直接用了数值天气预报的原始数据，没做空间插值。结果模型在风场边缘区域预测偏差很大。后来我改用双线性插值，把网格点数据插值到风机点位，效果才正常。记住：气象数据一定要做空间对齐。

3.3 滞后特征构造：让模型“记住”历史

风电功率有很强的自相关性。说白了，前一小时的功率，对预测下一小时很有帮助。滞后特征，就是把历史时刻的数据“搬”到当前时刻来用。

我建议构造以下几类滞后特征：

功率滞后：t-1, t-2, t-3, ..., t-24 时刻的功率值。注意，滞后阶数不要太多，否则特征维度爆炸。我一般选6-12个关键滞后点。
气象滞后：风速、风向等气象要素的滞后值。因为气象变化有惯性，前一小时的风速对当前有参考价值。
滑动统计量：过去N小时的均值、标准差、最大值、最小值。这些能反映短期趋势和波动性。
差分特征：当前值与前一时段的差值，反映变化趋势。

# 滞后特征构造示例
def add_lag_features(df, lag_hours=[1, 2, 3, 6, 12, 24]):
    """添加滞后特征"""
    for lag in lag_hours:
        df[f'power_lag_{lag}h'] = df['power'].shift(lag)
        df[f'wind_speed_lag_{lag}h'] = df['wind_speed'].shift(lag)
    
    # 滑动统计量（过去6小时）
    df['power_rolling_mean_6h'] = df['power'].rolling(window=6).mean()
    df['power_rolling_std_6h'] = df['power'].rolling(window=6).std()
    
    # 差分特征
    df['power_diff_1h'] = df['power'].diff(1)
    
    # 注意：shift和rolling会产生NaN，需要填充或删除
    df = df.dropna()
    return df

关键提醒：构造滞后特征时，一定要注意数据泄露问题。比如你要预测t时刻的功率，就不能用t时刻之后的数据来构造特征。shift操作要确保方向正确，别把未来的数据“穿越”回来了。我曾经因为这个低级错误，模型在测试集上表现“完美”，一上线就崩了。

3.4 特征组合与筛选

特征做完了，别急着训练。我一般会做两件事：

特征组合：比如风速×风向、温度×湿度，这些组合特征有时能捕捉到单一特征无法表达的关系。
特征筛选：用相关性分析、特征重要性排序，把冗余特征去掉。特征太多反而容易过拟合。

举个例子，风速和功率的相关性很高，但如果你同时用了“风速”和“风速的平方”，这两个特征高度相关，模型会不稳定。我一般用方差膨胀因子（VIF）来检测多重共线性，VIF大于10的特征就考虑剔除。

# 特征筛选示例（使用随机森林特征重要性）
from sklearn.ensemble import RandomForestRegressor

def select_features(X, y, threshold=0.01):
    """基于特征重要性筛选"""
    model = RandomForestRegressor(n_estimators=100, random_state=42)
    model.fit(X, y)
    
    importances = pd.Series(model.feature_importances_, index=X.columns)
    selected = importances[importances > threshold].index.tolist()
    
    print(f"原始特征数: {len(X.columns)}")
    print(f"筛选后特征数: {len(selected)}")
    return X[selected]

好了，特征工程这块就讲这么多。时间特征、气象特征、滞后特征，这三样东西你做好了，模型精度至少能提10%-15%。别嫌麻烦，这一步值得花时间。

📚 课程目录

3. 特征工程基础：时间特征提取、气象特征融合、滞后特征构造

3.1 时间特征提取：给数据打上“时间标签”

3.2 气象特征融合：别只盯着风速

3.3 滞后特征构造：让模型“记住”历史

3.4 特征组合与筛选