第1章：数据来源与探索——公开数据集介绍与字段说明

做风电功率预测，第一步不是调模型，而是搞清楚数据从哪来、长什么样。我见过不少新手，上来就怼LSTM，结果数据质量一塌糊涂，折腾半天全是白费功夫。今天咱们就聊聊数据这个地基。

1.1 公开数据集：ELIA与GEFCom2014

业内最常用的两个公开数据集，一个是ELIA，一个是GEFCom2014。我个人习惯把ELIA当作入门首选，GEFCom2014则更适合做算法对比。

ELIA数据集

ELIA是比利时输电系统运营商，他们公开了2015年至今的风电数据。采样频率是15分钟一次，一天96个点。数据量大概在几十万条级别，足够做各种实验了。

GEFCom2014数据集

这是2014年全球能源预测竞赛的数据。采样频率是1小时一次，一天24个点。数据量相对小一些，但胜在标准化程度高，很多论文都用它做基准测试。

我在项目中遇到过一个问题：GEFCom2014的数据只有风速和功率，没有风向和温度。这就导致模型精度上不去。后来我补了ERA5再分析数据，效果才明显提升。所以啊，数据字段的完整性，直接决定了你的天花板。

1.2 数据字段说明

咱们来看看每个字段到底代表什么，以及为什么重要。

你想想看，风速和功率的关系是最直接的。但风向呢？它决定了风机是否处于尾流区。温度会影响空气密度，进而影响功率输出。气压也是同样的道理。

df['wind_dir_sin'] = np.sin(df['wind_dir'] * np.pi / 180)
df['wind_dir_cos'] = np.cos(df['wind_dir'] * np.pi / 180)

1.3 数据量级与采样频率

数据量级决定了你能用多复杂的模型。采样频率则决定了你能捕捉到多快的变化。

采样频率的影响

ELIA是15分钟采样，GEFCom2014是1小时采样。15分钟的数据能捕捉到湍流和阵风，1小时的数据则更平滑。我建议做短期预测（0-4小时）用15分钟数据，做中期预测（4-24小时）用1小时数据。

为什么会这样？因为风的变化尺度不同。15分钟内的风速变化，主要是湍流引起的。1小时以上的变化，则更多是天气系统驱动的。你想想看，用1小时数据去预测15分钟后的功率，那肯定不准。

数据量级

ELIA数据集大概有30万条记录，GEFCom2014大概有5万条。30万条数据，足够训练一个中等规模的深度学习模型了。但如果你要做超长序列预测，比如用过去72小时的数据预测未来24小时，那数据量可能就不太够。

1.4 知识体系结构图

下面这张图，是我梳理的数据探索核心逻辑。你可以把它当作一个检查清单，每次拿到新数据都过一遍。

嗯，这张图其实就概括了咱们这一章的核心。从数据来源开始，搞清楚字段含义，再评估数据量级和采样频率，最后才是清洗和特征工程。每一步都踩实了，后面的模型才能跑得稳。

我记得刚入行那会儿，拿到ELIA数据就直接开干，结果模型死活不收敛。后来才发现，数据里有几个月的功率值全是0，因为那段时间风场在升级改造。从那以后，我每次拿到数据都会先画个时间序列图，看一眼全局。