第3章风速预测入门

第3章：风速预测入门

各位同学，欢迎来到风速预测的第一课。

说实话，风电行业里最让人头疼的就是风速的不确定性。你想想看，风一会儿大一会儿小，电网那边又要求稳定供电，怎么办？唯一的出路就是——预测。今天我们就从最基础的时间序列概念讲起，一步步带你用ARIMA模型做风速预测。

3.1 时间序列的基本概念

什么是时间序列？说白了，就是按时间顺序排列的数据点。比如你每10分钟记录一次风速，把这些数据按时间排好，就是一个时间序列。

我个人习惯把时间序列拆成三个部分来看：

趋势（Trend）：长期上升或下降的走向。比如某个季节风速整体偏高。
季节性（Seasonality）：固定周期内的波动。比如每天下午风速较大。
残差（Residual）：去掉趋势和季节后剩下的随机波动。

我在项目中遇到过一件事：有次做风速预测，模型效果一直不好，后来发现是数据里有个明显的日周期模式没处理。嗯，这里要注意——识别季节性是时间序列分析的第一步。

核心要点：时间序列分析的目标，就是从历史数据中提取出规律，然后用这些规律去预测未来。

3.2 ARIMA模型原理

ARIMA，全称是自回归积分滑动平均模型。名字挺长，但别怕，我们拆开看。

ARIMA模型由三个部分组成：

参数	含义	通俗理解
AR(p)	自回归项	用过去p个时刻的值预测当前值
I(d)	差分阶数	让非平稳数据变得平稳
MA(q)	滑动平均项	用过去q个时刻的预测误差来修正当前预测

为什么会用到差分？因为很多风速数据是非平稳的——均值在变、方差在变。差分就是让数据“老实”下来。我曾经遇到一个案例，原始风速数据波动剧烈，差分一次后，数据就平稳多了，模型效果直接提升30%。

避坑指南：我曾经在项目里直接拿原始数据跑ARIMA，结果预测值全是直线。后来才发现，数据不平稳时，模型根本学不到有效信息。记住：先平稳，再建模。

3.3 Python实现风速预测

好了，理论讲完了，我们直接上代码。下面是一个完整的ARIMA风速预测流程。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.stattools import adfuller

# 1. 加载数据（假设风速数据每10分钟一条）
data = pd.read_csv('wind_speed.csv', parse_dates=['timestamp'], index_col='timestamp')
wind_speed = data['speed']

# 2. 平稳性检验（ADF检验）
result = adfuller(wind_speed)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
if result[1] > 0.05:
    print('数据非平稳，需要进行差分')
    wind_speed_diff = wind_speed.diff().dropna()
else:
    print('数据平稳，可以直接建模')

# 3. 确定p和q（看ACF和PACF图）
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(wind_speed_diff, ax=ax1, lags=20)
plot_pacf(wind_speed_diff, ax=ax2, lags=20)
plt.show()

# 4. 训练ARIMA模型（这里p=2, d=1, q=2是示例）
model = ARIMA(wind_speed, order=(2, 1, 2))
model_fit = model.fit()
print(model_fit.summary())

# 5. 预测未来24小时（144个10分钟）
forecast = model_fit.forecast(steps=144)
print('预测结果（前10个）：', forecast[:10].values)

这段代码我建议你亲手跑一遍。我个人习惯是先看ACF和PACF图，初步判断p和q的范围，然后再用AIC/BIC准则去选最优参数。别一上来就瞎猜参数，那样容易翻车。

注意：ARIMA模型对异常值非常敏感。如果数据里有传感器故障导致的异常风速（比如突然跳到100m/s），一定要先做数据清洗。我曾经因为一个异常点没处理，模型预测直接崩了三天。

3.4 模型评估指标

模型建好了，怎么知道它好不好？我们需要一些量化指标。常用的有这几个：

指标	公式	说明
MAE	平均绝对误差	预测值与真实值的绝对差值的平均值
RMSE	均方根误差	对大误差惩罚更重，适合风速这种波动大的场景
MAPE	平均绝对百分比误差	用百分比表示误差，直观易懂

我个人最常用的是RMSE。为什么？因为风速预测里，一个大的预测偏差可能导致电网调度失误，RMSE对大误差更敏感，能逼着模型把极端情况也预测好。

下面是一个计算评估指标的代码示例：

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np

# 假设y_true是真实风速，y_pred是预测风速
y_true = [5.2, 6.1, 7.3, 8.0, 6.5]
y_pred = [5.0, 6.3, 7.0, 8.2, 6.8]

mae = mean_absolute_error(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))
mape = np.mean(np.abs((np.array(y_true) - np.array(y_pred)) / np.array(y_true))) * 100

print(f'MAE: {mae:.2f} m/s')
print(f'RMSE: {rmse:.2f} m/s')
print(f'MAPE: {mape:.2f}%')

经验之谈：风速预测的RMSE如果能控制在1.5m/s以内，对于大多数风电场来说已经算不错了。如果超过2.5m/s，建议回头检查数据质量或者模型参数。

3.5 本章知识体系

下面这张图帮你梳理了本章的核心逻辑，从数据到模型再到评估，一条线走下来：

这张图把本章的四个核心模块串起来了。你从时间序列概念出发，理解数据特性；然后学习ARIMA原理，知道模型怎么工作；接着用Python实现，把理论变成代码；最后用评估指标检验效果。如果效果不好，就回到前面调整参数或清洗数据——这就是一个完整的闭环。

好了，风速预测入门就讲到这里。记住：模型不是越复杂越好，ARIMA虽然经典，但用好了照样能解决实际问题。下一章我们会讲更高级的预测方法，但今天的内容是基础中的基础，建议你多练几遍。

📚 课程目录