第二章：数据探索与可视化——风电数据特征（风速、风向、温度、气压）、数据分布分析、异常值初步识别

各位同学，欢迎来到实战课的第二站。上一章我们聊了风电功率预测的整体框架，今天咱们要干点“脏活累活”——数据探索。

说实话，我见过太多人一上来就调模型、跑算法，结果模型死活不收敛。为什么？因为数据本身就有问题。你想想看，如果输入的风速数据里混着几个传感器故障的“野值”，模型学到的全是噪音，怎么可能预测准？

所以，这一章的核心就一句话：先摸清数据的脾气，再谈调参。

2.1 风电数据的5大特征

先说说风电数据里最常见的几个特征。我做了这么多年项目，发现不管哪个风场，核心特征就这5个：

特征名称	单位	典型范围	对功率的影响
风速	m/s	0 ~ 30	核心因素，呈三次方关系
风向	°	0 ~ 360	影响尾流效应和偏航控制
温度	℃	-20 ~ 40	影响空气密度，间接影响功率
气压	hPa	950 ~ 1050	影响空气密度
有功功率	kW	0 ~ 额定功率	目标变量

这里我要特别强调一下风向。很多新手觉得风向就是个角度，直接扔进模型就行。其实不是的。风向是环形数据，0°和360°其实是一个方向。我早期有个项目，直接把风向当线性特征处理，结果模型在0°附近预测总是出错。后来改成正弦余弦编码，问题就解决了。

2.2 数据分布分析——先看看数据长什么样

拿到数据后，我习惯先画分布图。为什么？因为分布图能告诉你很多信息：数据是否偏态？有没有多峰？有没有异常值？

2.2.1 风速分布——典型的威布尔分布

风速数据有个特点：它通常服从威布尔分布。什么意思呢？就是大部分时间风速在3-8 m/s之间，偶尔会有大风，但很少超过25 m/s。

我给大家看一段代码，画风速的直方图和概率密度曲线：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 假设 df 是包含风速数据的DataFrame
plt.figure(figsize=(10, 6))

# 直方图 + 核密度估计
sns.histplot(df['风速'], bins=50, kde=True, color='steelblue')

plt.title('风速分布直方图', fontsize=14)
plt.xlabel('风速 (m/s)', fontsize=12)
plt.ylabel('频数', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

# 打印统计量
print(f"风速均值: {df['风速'].mean():.2f} m/s")
print(f"风速中位数: {df['风速'].median():.2f} m/s")
print(f"风速标准差: {df['风速'].std():.2f} m/s")
print(f"风速偏度: {df['风速'].skew():.2f}")

运行这段代码，你会看到风速分布通常是右偏的——也就是左边高、右边拖个长尾巴。偏度值一般在0.5到1.5之间。如果偏度太大，说明数据里可能有异常值。

2.2.2 风向分布——看看风从哪里来

风向分布用玫瑰图最直观。不过咱们先看简单的直方图：

plt.figure(figsize=(10, 6))
sns.histplot(df['风向'], bins=36, kde=False, color='orange')
plt.title('风向分布直方图', fontsize=14)
plt.xlabel('风向 (°)', fontsize=12)
plt.ylabel('频数', fontsize=12)
plt.xticks(range(0, 361, 45))
plt.grid(True, alpha=0.3)
plt.show()

嗯，这里要注意。如果风向分布出现明显的“尖峰”，比如某个方向频数特别高，那可能是风场的地形导致的。我在内蒙古一个风场遇到过这种情况——因为山脉走向，90%的风都从西北方向来。这种情况下，模型需要特别关注主风向的预测精度。

2.2.3 箱线图——快速发现异常值

箱线图是我最常用的工具之一。它能同时展示中位数、四分位数和异常值。

plt.figure(figsize=(12, 6))

# 画多个特征的箱线图
features = ['风速', '温度', '气压', '有功功率']
df[features].boxplot()

plt.title('主要特征箱线图', fontsize=14)
plt.xticks(rotation=45)
plt.grid(True, alpha=0.3)
plt.show()

箱线图里，超出上下须的点就是潜在的异常值。一般来说，上须 = Q3 + 1.5*IQR，下须 = Q1 - 1.5*IQR。超出这个范围的点，我会标记出来进一步检查。

2.3 异常值初步识别——哪些数据需要警惕？

异常值处理是数据清洗的第一步。我把它分成三类：

1. 物理极限异常：风速为负值、温度超过传感器量程等
2. 统计异常：超出3σ范围或箱线图边界的值
3. 业务异常：风速很高但功率很低（可能风机停机或限电）

2.3.1 3σ原则——简单粗暴但有效

对于近似正态分布的数据，可以用3σ原则：

def detect_outliers_3sigma(data, column):
    mean = data[column].mean()
    std = data[column].std()
    
    lower_bound = mean - 3 * std
    upper_bound = mean + 3 * std
    
    outliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)]
    return outliers

# 检测风速异常值
wind_outliers = detect_outliers_3sigma(df, '风速')
print(f"风速异常值数量: {len(wind_outliers)}")
print(f"异常值范围: 小于 {df['风速'].mean() - 3*df['风速'].std():.2f} 或大于 {df['风速'].mean() + 3*df['风速'].std():.2f}")

不过我要提醒你，风速数据本身是偏态的，用3σ可能会漏掉一些异常。我个人的习惯是：先用3σ筛一遍，再用箱线图筛一遍，取并集。

2.3.2 IQR方法——对偏态数据更友好

IQR方法不假设数据是正态分布，所以对风速这种偏态数据更适用：

def detect_outliers_iqr(data, column):
    Q1 = data[column].quantile(0.25)
    Q3 = data[column].quantile(0.75)
    IQR = Q3 - Q1
    
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    
    outliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)]
    return outliers, lower_bound, upper_bound

outliers_iqr, lb, ub = detect_outliers_iqr(df, '风速')
print(f"IQR方法检测到异常值: {len(outliers_iqr)} 个")
print(f"正常范围: [{lb:.2f}, {ub:.2f}]")

2.3.3 业务规则——经验之谈

除了统计方法，我还依赖一些业务规则。比如：

• 风速-功率曲线检查：风速在切入风速以下（通常3 m/s）但功率不为0，或者风速在额定风速以上但功率远低于额定值，这些都需要标记
• 变化率检查：1秒内风速变化超过10 m/s，大概率是传感器故障
• 缺失值检查：连续多个时间点数据为0或NaN，可能是通讯中断

2.4 实战建议——数据探索的标准化流程

最后，我总结一下数据探索的标准化流程，供大家参考：

1. 第一步：概览——用 df.info() 和 df.describe() 了解数据基本情况
2. 第二步：单变量分布——画每个特征的直方图和箱线图
3. 第三步：双变量关系——画风速-功率散点图，看是否呈现预期的三次方关系
4. 第四步：异常值标记——用3σ和IQR方法标记异常，结合业务规则确认
5. 第五步：记录日志——把发现的异常和处理的决策记录下来，方便后续复盘

记住一句话：数据探索花的时间，会在模型训练阶段加倍还给你。我见过太多人急着调参，结果数据质量不过关，调来调去都是白费功夫。

好了，这一章的内容就到这里。数据探索是基本功，但也是最容易被忽视的环节。希望大家在实际项目中，能沉下心来把数据摸透。下一章我们会聊特征工程，到时候会用到今天发现的这些数据特性。

---