干货！数据分析报告之风资源分析（1）_风资源情况分析-优快云博客

本文链接：https://blog.youkuaiyun.com/zhumengxia/article/details/113738635

本文详细介绍了风速分析报告，包括数据预处理、合并、威布尔分布图、散点图、直方图及风能玫瑰图的绘制。使用了python的pd.to_datetime、append、sort_values等函数进行数据处理，并借助windrose模块进行可视化分析，探讨风速风向的特性及其在发电量中的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

风速分析概述

根据测到的部分时间的风速，对测到的各个量进行剖析，了解风速风向，发电量等的特性，本文是一片完整的分析报告，从数据初步处理，到时间的处理，再到数据的多角度可视化，包含多子图，组图，玫瑰图等等，所使用的库需要提前安装。

1、数据预处理

本次分析的数据有两个时段，但是两个时段采集的数据特征量并不完全一致，因此对数据进行初步处理后再来分析。
主要有如下处理步骤：
1、通过现有变量计算新的特征量；
2、提取分析通道；
3、根据绘图，查看异常数据的范围，删除异常数据。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

datat=pd.read_excel('E:/揭阳测风塔数据分析/统计_20200323-20200719.xlsx')
#datat=pd.read_excel(r'E:\python总结\实例数据\数据分析之风速分析\统计_20190725-20191209.xlsx')

#添加下叶尖和参考风速湍流
datat['TI']=datat['WS_main_Stdev']/datat['WS_main_Mean']   #计算湍流
datat['TI_tip']=datat['WS_tip_Stdev']/datat['WS_tip_Mean']   #计算下叶尖湍流
datat['TI_ref']=datat['WS_ref_Stdev']/datat['WS_ref_Mean']   #计算参考风速湍流
#计算参考风速的风切变 
datat['Vgrad_ref']=np.log(datat['WS_ref_Mean']/datat['WS_tip_Mean'])/np.log(209/32.46)
#计算空气密度
datat['Rho']=(1/(datat['Temp_main_Mean']+273.15))*((100*datat['Press_main_Mean']/287.05)
             -datat['Hum_main_Mean']/100*(0.0000205*np.log(0.0631846*(datat['Temp_main_Mean']+273.15)))*
             (1/287.05-1/461.5))      
#查看列名，并提取需要分析的通道
datat.columns
dd=datat.loc[:,('timeNum',
               'WS_main_Mean','WS_ref_Mean','WS_tip_Mean',
                'WD_main_Mean','WD_ref_Mean',
                'Hum_main_Mean','Hum_ref_Mean',
                'Press_main_Mean','Press_ref_Mean',
                'Temp_main_Mean','Temp_ref_Mean', 
                'TI','TI_ref','TI_tip','Rho','Vgard_Mean','Vgrad_ref')]
#绘图查看变量的大致范围，进行数据清洗                
fig,((ax1,ax2,ax3),(ax4,ax5,ax6),(ax7,ax8,ax9))=plt.subplots(nrows=3