第一章 气象数据基础：风速、风向、温度、气压、湿度的物理意义与测量原理

各位同学好，我是老张。在风电行业摸爬滚打了十几年，今天咱们来聊聊气象数据那些事儿。

很多人觉得气象数据嘛，不就是几个数字吗？其实不然。我见过太多项目，因为对基础数据理解不到位，导致预测模型一塌糊涂。说白了，你连风速是怎么测的都不清楚，怎么可能做好功率预测？

1.1 风速：风电场最核心的变量

风速，这个不用我多说，是决定风机出力的直接因素。但你真的了解它吗？

物理意义：风速是空气质点相对于地面的水平运动速度。单位是 m/s，也有用 m·s⁻¹ 表示的。注意，我们通常说的风速是瞬时值，但实际应用中更关注平均风速。

测量原理：目前主流的有三种方式：

• 机械式风速仪：最常见的是风杯式。风杯转动，转速和风速成正比。我在内蒙古一个风场见过，冬天结冰后风杯直接冻住，数据全废了。所以北方项目一定要配加热装置。
• 超声波风速仪：利用声波在风中传播的时间差来测风速。精度高，没有机械磨损，但价格贵。我建议核心测风塔用这个，普通点位用机械式就行。
• 激光雷达：这个比较新，可以测高空风速。我去年在海上风电项目用过，效果不错，但成本确实高。

1.2 风向：别小看这个角度

风向，说白了就是风吹来的方向。用0°到360°表示，0°是正北，90°是正东。

为什么风向重要？因为风机有偏航系统，需要根据风向调整机舱朝向。如果风向预测不准，风机可能一直处于偏航状态，发电效率大打折扣。

测量原理：风向标是最常用的。它像个小箭头，随风转动。但要注意，风向标在低风速时（<3m/s）反应迟钝，数据不可靠。我一般建议在低风速时段，对风向数据做特殊标记或插值处理。

1.3 温度：影响空气密度

温度直接影响空气密度，而空气密度又决定了风能的大小。公式很简单：风功率 = ½ × 空气密度 × 扫风面积 × 风速³。

你看，空气密度是直接乘进去的。温度每升高10°C，空气密度大约下降3%。这意味着同样风速下，夏天发电量会比冬天少。

测量原理：铂电阻温度计最常用。精度高，稳定性好。但要注意防辐射，我见过有人把温度计直接暴露在阳光下，测出来的温度比实际高5°C以上。正确的做法是放在百叶箱里。

1.4 气压：另一个密度影响因素

气压和温度一起，决定了空气密度。公式是：ρ = P / (R × T)，其中P是气压，T是温度，R是气体常数。

高原地区的风场，气压低，空气密度小，同样的风速下发电量会少很多。我在青海一个3000米海拔的风场做过项目，同样的风机，发电量比平原地区少20%左右。

测量原理：电容式气压传感器是主流。体积小，精度高。但要注意，气压数据需要做海拔修正。我一般用海平面气压作为标准，再根据实际海拔做换算。

1.5 湿度：容易被忽略的因素

湿度对风电的影响，很多人不重视。其实湿度大了，空气密度会变小（水分子比空气分子轻）。另外，高湿度容易导致叶片结冰，这个在南方山区特别常见。

测量原理：湿敏电容传感器。通过测量电容变化来推算湿度。但要注意，湿度传感器容易受污染，需要定期清洁。我建议每季度至少校准一次。

知识体系总览

下面这张图，是我自己总结的气象数据在风电预测中的核心逻辑。你看一遍，基本就明白这五个变量之间的关系了。

数据采集的注意事项

讲完了五个变量的物理意义和测量原理，我再补充几点实际工作中的经验：

1. 采样频率：我建议风速和风向用1Hz采样，温度、气压、湿度用0.1Hz就够了。太高频率的数据反而增加噪声。
2. 数据质量控制：一定要做范围检查。比如风速不可能超过50m/s（除非台风），温度不可能低于-50°C。超出范围的数据直接标记为无效。
3. 缺失值处理：我一般用相邻时间点的线性插值。如果缺失超过2小时，建议用数值天气预报数据来填补。

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data_normalized = scaler.fit_transform(data)

好了，这一章的内容就到这里。气象数据是风电预测的基石，基础打牢了，后面的模型才能建得稳。记住我一句话：数据质量决定模型上限，算法只是逼近这个上限的手段。