3. 特征工程基础：风速与功率的关系、风向、温度、气压等特征分析

各位同学，咱们今天聊聊特征工程。说白了，就是怎么从原始数据里挖出真正有用的东西。我做了这么多年风电预测，发现很多人一上来就堆模型，结果效果很差。为什么？因为特征没选对。你想想看，垃圾进垃圾出，模型再牛也白搭。

3.1 风速与功率：最核心的关系

风速和功率的关系，是风电预测里最基础、也最重要的特征。我刚开始做这个项目时，以为风速越大功率就越大，线性关系嘛。结果一看实际数据，完全不是那么回事。

实际上，风速和功率呈现典型的 S 型曲线。我习惯叫它“三段式”：

• 切入风速以下：风速太低，风机不转，功率为零。一般在 3 m/s 左右。
• 额定风速区间：风速从切入点到额定点，功率近似三次方增长。这是最敏感的区域。
• 切出风速以上：为了保护风机，功率被限制，甚至停机。

嗯，这里要注意：不同型号的风机，这三个关键点不一样。我在项目中遇到过，同一个风场两种风机，切入风速差了 0.5 m/s，结果模型预测偏差很大。所以，一定要先看风机的功率曲线手册。

咱们来看一段代码，怎么提取风速特征：

import pandas as pd
import numpy as np

# 假设 df 包含 'wind_speed' 和 'power' 两列
df['ws_squared'] = df['wind_speed'] ** 2
df['ws_cubed'] = df['wind_speed'] ** 3

# 分段特征：判断风速处于哪个区间
def wind_zone(ws):
    if ws < 3:
        return 0  # 切入前
    elif ws < 12:
        return 1  # 上升段
    elif ws < 25:
        return 2  # 额定段
    else:
        return 3  # 切出段

df['wind_zone'] = df['wind_speed'].apply(wind_zone)

3.2 风向：别小看这个角度

风向这个特征，很多人觉得不重要。我曾经也这么想，直到有一次模型在某个方向的风来时，预测误差突然变大。查了半天，才发现是风向的问题。

风向是 360 度的循环变量。0 度和 360 度其实是一个方向，但如果你直接拿数值去建模，模型会认为它们差 360 度，这就出问题了。

我建议的处理方式：

• 拆成 sin 和 cos 分量：这是最常用的方法。风向 0° 对应 (sin=0, cos=1)，90° 对应 (sin=1, cos=0)，完美解决循环问题。
• 考虑风向与主风向的偏差：每个风场都有主风向，比如西北风居多。计算当前风向与主风向的夹角，有时比原始风向更有用。

举个例子：

import numpy as np

# 风向角度转弧度
df['wind_dir_rad'] = np.radians(df['wind_direction'])
df['wind_dir_sin'] = np.sin(df['wind_dir_rad'])
df['wind_dir_cos'] = np.cos(df['wind_dir_rad'])

# 主风向（假设是 300 度）
main_dir = 300
df['dir_deviation'] = np.abs(df['wind_direction'] - main_dir)
# 处理循环：偏差不能超过 180
df['dir_deviation'] = df['dir_deviation'].apply(lambda x: min(x, 360 - x))

3.3 温度与气压：空气密度的幕后推手

温度和气压，这两个特征看起来跟功率没关系，其实影响很大。为什么？因为它们决定了 空气密度。

功率公式里，空气密度 ρ 是直接乘在风速三次方前面的。温度高了，空气密度变小，同样的风速，功率会下降。气压低了，密度也变小。我见过一个案例，夏天高温时，功率比理论值低了 10% 以上。

我个人习惯，直接计算空气密度作为特征：

# 温度：摄氏度，气压：hPa
R = 287.058  # 气体常数
df['air_density'] = df['pressure'] * 100 / (R * (df['temperature'] + 273.15))

当然，你也可以直接用温度和气压的原始值。但要注意，温度和气压之间可能存在共线性。比如冷锋过境时，温度下降、气压上升，两者高度相关。这时候可以考虑只保留一个，或者用 PCA 降维。

特征	对功率的影响	建议处理方式
温度	温度↑ → 密度↓ → 功率↓	直接使用，或计算空气密度
气压	气压↑ → 密度↑ → 功率↑	直接使用，或计算空气密度
湿度	湿度↑ → 密度↓ → 功率↓	可选，影响较小

3.4 特征工程的整体流程

说了这么多，咱们来画个图，把整个特征工程的逻辑串起来。我习惯用一张图来理清思路：

你看，整个流程就是从原始数据出发，分别处理风速、风向、温压三类特征，最后汇聚成最终特征集。每一步都有坑，但踩过之后，你就知道该怎么走了。

---

公众号:蓝海资料掘金营，微信deep3321