3、数值天气预报（NWP）接入：GFS/ECMWF数据源、数据下载与预处理、网格插值技术
数值天气预报，简称NWP，是风功率预测系统的“粮食”。没有它，后面所有模型都是空中楼阁。我做了这么多年风电，见过太多团队把精力全花在算法调优上，结果NWP数据源没选对，预测精度直接垮掉。说白了，地基没打好，楼盖得再漂亮也没用。
这一章，我们就来聊聊NWP数据怎么接进来、怎么处理、怎么让它适配我们的风电场。
3.1 两大主流数据源：GFS与ECMWF
目前行业内用得最多的，就是GFS和ECMWF。这两家各有千秋，我分别说说。
GFS（全球预报系统）
GFS是美国国家环境预报中心（NCEP）发布的。免费、开放、全球覆盖。它的空间分辨率大概是0.25度（约28公里），时间分辨率3小时一次。说实话，这个精度对于大型风电场勉强够用，但对于地形复杂的山地风场，误差会比较大。
优点：完全免费，数据获取方便，更新频率高（每天4次）。
缺点：分辨率偏低，预报时效越长误差越大。
ECMWF（欧洲中期天气预报中心）
ECMWF被公认为全球最准的NWP模型。它的分辨率可以达到0.1度（约11公里），时间分辨率1小时。我个人的习惯是，只要预算允许，优先选ECMWF。
优点：精度高，尤其是对天气系统的捕捉能力很强。
缺点：收费，而且不便宜。数据获取流程也比GFS复杂。
| 对比项 | GFS | ECMWF |
|---|---|---|
| 空间分辨率 | 0.25° (~28km) | 0.1° (~11km) |
| 时间分辨率 | 3小时 | 1小时 |
| 更新频率 | 每天4次 | 每天2次 |
| 费用 | 免费 | 收费 |
| 适用场景 | 短期、粗粒度 | 中长期、高精度 |
3.2 数据下载与预处理
数据源选好了，接下来就是下载。GFS的数据可以从NCEP的FTP服务器或者NOAA的OpenDAP服务器获取。ECMWF则通过其MARS系统或CDS（气候数据存储）平台。
我一般用Python写脚本来自动化下载。下面是一个简单的GFS数据下载示例：
import requests
import xarray as xr
# GFS数据URL示例（0.25度分辨率）
url = "https://nomads.ncep.noaa.gov/dods/gfs_0p25/gfs20250301/gfs_0p25_00z"
# 使用xarray打开数据集
ds = xr.open_dataset(url)
# 选择特定变量和区域
# 风速、风向、温度、气压是风功率预测的核心变量
wind_u = ds['ugrd10m'].sel(lat=slice(40, 30), lon=slice(110, 120))
wind_v = ds['vgrd10m'].sel(lat=slice(40, 30), lon=slice(110, 120))
# 保存为NetCDF文件
wind_u.to_netcdf('gfs_wind_u.nc')
wind_v.to_netcdf('gfs_wind_v.nc')
下载下来的数据通常是GRIB2或NetCDF格式。我们需要做几步预处理：
- 格式转换：GRIB2转NetCDF，方便用Python处理。我常用
cfgrib库。 - 变量提取：只保留风速、风向、温度、气压、密度这几个关键变量。别一股脑全下载，数据量太大。
- 时间对齐：NWP的预报时间步长可能和我们的预测需求不一致。比如GFS是3小时间隔，但我们需要逐小时数据。这时候就要做时间插值。
- 质量控制：检查数据是否有缺失值、异常值。我曾经遇到过GFS数据在某个格点突然出现风速500m/s的离谱值，一看就是数据错误。
3.3 网格插值技术
NWP数据是网格化的，而我们的风电场是一个点（或者几个点）。怎么把网格数据“搬”到风机位置？这就是网格插值要干的事。
常用的插值方法有几种：
- 最近邻插值：直接取离风机最近的网格点数据。简单粗暴，但误差大，尤其在地形复杂区域。
- 双线性插值：用周围四个网格点做线性加权。精度比最近邻好，计算量也不大。
- 反距离加权（IDW）：根据距离远近分配权重。距离越近，权重越大。我个人比较喜欢这种方法，因为它直观且效果稳定。
- 克里金插值：考虑空间相关性，精度最高，但计算量大。适合科研场景，工程上用得不多。
下面是一个双线性插值的Python实现：
import numpy as np
from scipy.interpolate import RegularGridInterpolator
# 假设我们有四个网格点的风速数据
lats = np.array([39.5, 40.0])
lons = np.array([115.5, 116.0])
wind_speed_grid = np.array([[8.5, 9.0], [8.8, 9.3]])
# 风机位置
turbine_lat = 39.8
turbine_lon = 115.7
# 创建插值函数
interp_func = RegularGridInterpolator((lats, lons), wind_speed_grid)
# 进行插值
wind_speed_at_turbine = interp_func([turbine_lat, turbine_lon])
print(f"风机位置的风速: {wind_speed_at_turbine[0]:.2f} m/s")
3.4 知识体系总览
为了让你对整个流程有个直观的认识，我画了一张图。它把数据源、下载、预处理、插值这几个环节串起来了。
你看，整个流程其实不复杂，但每一步都有坑。数据源选不对，后面全白干；预处理不到位，模型学歪了；插值方法选错了，预测精度直接打折。
我个人建议，刚开始做NWP接入时，先用GFS免费数据跑通流程，把下载、预处理、插值的代码都调试好。等流程稳定了，再切换到ECMWF提升精度。这样既省钱又稳妥。