1、气象预测基础：大气运动基本方程、数值天气预报原理、气象数据来源与格式（GRIB/NetCDF）
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预测这个老本行。说实话，刚入行那会儿我也觉得气象预测是气象局的事，跟咱们风电工程师关系不大。直到有一次，一个台风路径预测偏差了50公里，我们场站差点没来得及做偏航保护……嗯，从那以后我就明白了，搞风电不懂气象，那就是在裸奔。
1.1 大气运动基本方程
大气运动，说白了就是空气在三维空间里怎么跑。你想想看，风是怎么来的？就是空气从高压区往低压区跑。但事情没那么简单，地球还在自转，地面还有摩擦，太阳还在加热……这些因素搅在一起，就构成了大气运动的基本方程组。
我个人习惯把这组方程分成三块来理解：
- 动量方程（纳维-斯托克斯方程）：描述空气怎么加速、减速、拐弯。我在项目中遇到过，有些同事直接用简化版方程做短期预测，结果在复杂地形区域误差大得离谱。说白了，地形对气流的抬升和绕流效应，简化方程根本抓不住。
- 连续方程：质量守恒。空气流进来多少，就得流出去多少，不然就会堆积或稀薄。这个方程看起来简单，但实际求解时对网格精度要求很高。
- 热力学方程：太阳辐射、水汽相变（蒸发、凝结）带来的热量变化。为什么午后风速会增强？就是因为地面加热导致大气不稳定，上下层动量交换加剧了。
核心要点：这三个方程耦合在一起，加上状态方程（气压、温度、密度的关系），就构成了数值天气预报的物理基础。你不需要会手动解这些方程，但必须理解它们的物理含义——这决定了你对预测结果的信任程度。
1.2 数值天气预报原理
数值天气预报（NWP），说白了就是把大气运动方程放到计算机里跑。怎么跑？把空间切成网格，把时间切成步长，然后一步一步往前推。
我建议你记住这个流程：
- 初始化：把全球观测数据（气象站、探空仪、卫星、雷达）通过数据同化技术，融合成一个初始场。这一步很关键，初始场不准，后面跑得再漂亮也是白搭。
- 积分计算：用超级计算机求解方程组，算出未来每个时间步的气压、温度、风速、湿度。全球模型一般跑10-16天，区域模型跑3-5天。
- 后处理：把原始输出插值到我们需要的点位和高度上，再做一些统计订正。
这里有个坑，我曾经踩过：NWP模型的分辨率。全球模型（如ECMWF、GFS）的水平分辨率通常在9-25公里，这个尺度对于单个风电场来说太粗了。你想想看，一个风电场可能就横跨5公里，模型里就一两个网格点，怎么可能准确？所以必须做降尺度处理，或者用中尺度模型（如WRF）做区域模拟。
我的经验：做风电功率预测，不要直接拿全球模型的10米风速用。我习惯用模型输出的100米高度风速、边界层高度、稳定度参数，再结合场站实测数据做修正。这样准确率能提升15-20%。
1.3 气象数据来源与格式
搞风电预测，你得知道数据从哪来，长什么样。我整理了一张图，帮你理清这个知识体系：
1.4 数据来源
目前风电行业常用的气象数据来源，我列个表给你看：
| 数据源 | 机构 | 分辨率 | 更新频率 | 风电适用场景 |
|---|---|---|---|---|
| ECMWF HRES | 欧洲中期天气预报中心 | 9km / 137层 | 12小时 | 中期功率预测（3-10天） |
| GFS | 美国国家环境预报中心 | 13km / 127层 | 6小时 | 短期预测、免费替代方案 |
| ERA5 | ECMWF再分析数据 | 31km / 137层 | 逐小时（历史） | 风资源评估、场址选址 |
| MERRA-2 | NASA | 50km / 72层 | 逐小时（历史） | 长期风资源分析 |
注意：ERA5虽然是再分析数据（用历史观测修正过），准确度很高，但它是历史数据，不能用于实时预测。我见过有人拿ERA5当预报用，结果吃了大亏。实时预测请用ECMWF HRES或GFS的预报场。
1.5 GRIB与NetCDF格式
这两种格式，是气象数据的"通用语言"。你搞风电预测，必须得会读写它们。
GRIB（GRIdded Binary）：世界气象组织（WMO）定义的标准格式。特点是压缩率高，一个全球9km分辨率的预报文件可能只有几百MB。但它的数据结构比较"古老"，用起来不太直观。
NetCDF（Network Common Data Form）：更现代、更灵活的自描述格式。变量名、单位、维度信息都写在文件里，用Python读取非常方便。我个人更偏爱NetCDF，尤其是在做数据分析时。
下面是我常用的Python读取代码，你直接拿去用：
# 读取GRIB文件（需要安装cfgrib和eccodes）
import xarray as xr
# 打开GRIB文件
ds = xr.open_dataset('ecmwf_20240101.grib', engine='cfgrib')
# 查看变量
print(ds.data_vars)
# 提取10米风速
u10 = ds['u10'] # 纬向风
v10 = ds['v10'] # 经向风
ws10 = (u10**2 + v10**2)**0.5 # 合成风速
# 读取NetCDF文件
ds_nc = xr.open_dataset('wrf_output.nc')
# 查看维度
print(ds_nc.dims)
# 提取100米风速
ws100 = ds_nc['wspd100']避坑指南：我曾经在处理GRIB文件时，发现不同来源的GRIB文件参数名不一样。比如ECMWF的10米风速叫"10u"和"10v"，而GFS的叫"UGRD_10m"和"VGRD_10m"。建议你每次拿到新数据，先用print(ds)看看变量列表，别想当然。
另外，处理NetCDF时要注意坐标顺序。有些文件是(time, lat, lon)，有些是(time, lon, lat)。用xarray的话，建议用.sel()方法按坐标值选取，而不是按索引，这样不容易出错。
好了，这一章的内容就这些。气象预测基础是后面所有章节的根基，你把这些概念吃透了，后面学WRF模型、做功率预测都会轻松很多。有什么问题，咱们下节课接着聊。
公众号:蓝海资料掘金营，微信deep3321