用 Python 获取广东 21 地市小时级气象数据:从 API 到地图可视化

在电力市场中，做电价预测、新能源出力预测时，气象数据几乎是绕不开的基础变量。

温度、湿度、风速、云量、降水、太阳辐射，这些看似“天气预报”里的普通字段，放到电力市场分析里，往往会直接影响负荷、新能源出力、实时价差和日前交易策略。

最近整理了一个完整的 Python 项目：

weather_openmeteo_guangdong

它可以获取广东省 21 个地级市的小时级气象数据，并自动保存为 xlsx 文件。项目不使用网页爬虫、不使用 Selenium、不做浏览器抓取，而是直接调用 Open-Meteo 官方 JSON API，适合后续扩展到自动化任务、数据库入库、预测模型训练和可视化分析。

这个项目主要解决一个具体问题：

快速、规范、可重复地获取广东 21 个地级市的小时级气象数据，并整理成适合分析建模的 Excel 表格。

它适合用于：

• • 电价预测气象特征准备
• • 日前市场预测辅助分析
• • 光伏出力预测
• • 风电出力预测
• • 广东 21 地市气象数据自动化归档

支持哪些数据？

项目明确区分四类气象数据。

需要特别说明的是：

actual_reanalysis 来自 Open-Meteo Historical Weather API，本质上是历史再分析/融合气象数据，不是严格意义上的中国气象局地面站原始实测数据。

实际输出

项目实际执行一次数据获取：

python main.py --mode all \  --actual-start-date 2026-05-10 \  --actual-end-date 2026-05-13 \  --forecast-start-date 2026-05-11 \  --forecast-end-date 2026-05-13 \  --cities all

生成文件：

output/weather_guangdong_20260511_174710.xlsx

结果规模如下：

可用绘图脚本生成可视化：

python plot_weather.py \  --input-xlsx output/weather_guangdong_20260511_174710.xlsx \  --sheet forecast_future_hourly \  --variable shortwave_radiation \  --cities 广州,深圳,阳江,湛江 \  --start-date 2026-05-11 \  --end-date 2026-05-13

图：广州、深圳、湛江、阳江 4 个城市的短波辐射小时序列。对光伏出力预测来说，这类变量通常比单纯温度更关键。

覆盖哪些城市？

项目内置广东省 21 个地级市中心点坐标：

广州、深圳、珠海、汕头、佛山、韶关、湛江、肇庆、江门、茂名、惠州、梅州、汕尾、河源、阳江、清远、东莞、中山、潮州、揭阳、云浮

城市坐标配置文件位于：

config/cities_guangdong.json

后续如果想扩展到其他省份，只需要增加新的城市坐标配置即可。

获取哪些气象变量？

项目默认获取小时级变量，既包含基础气象字段，也包含光伏和新能源相关字段。

基础气象变量

• • temperature_2m：2 米气温
• • relative_humidity_2m：2 米相对湿度
• • dewpoint_2m：2 米露点温度
• • apparent_temperature：体感温度
• • precipitation：降水量
• • rain：降雨量
• • cloud_cover：总云量
• • cloud_cover_low：低云量
• • cloud_cover_mid：中云量
• • cloud_cover_high：高云量
• • wind_speed_10m：10 米风速
• • wind_speed_100m：100 米风速
• • wind_direction_10m：10 米风向
• • wind_direction_100m：100 米风向
• • wind_gusts_10m：10 米阵风
• • surface_pressure：地表气压
• • weather_code：天气代码

光伏与新能源相关变量

• • shortwave_radiation：短波辐射，近似 GHI
• • direct_radiation：直射辐射
• • diffuse_radiation：散射辐射
• • direct_normal_irradiance：法向直射辐照度 DNI

如果某个接口暂时不支持某个变量，程序不会中断，而是记录 warning，并在最终表格中保留该字段，缺失值填 NaN。

项目结构

项目结构如下：

weather_openmeteo_guangdong/│├── main.py├── plot_weather.py├── requirements.txt├── README.md│├── config/│   ├── cities_guangdong.json│   ├── settings.yaml│   └── guangdong_city_boundaries.geojson│├── src/│   ├── api_client.py│   ├── config_loader.py│   ├── date_utils.py│   ├── data_parser.py│   ├── excel_writer.py│   ├── scheduler.py│   ├── logger.py│   ├── compare.py│   └── visualize.py│├── tests/├── output/└── logs/

其中：

• • api_client.py：负责调用 Open-Meteo 官方 API。
• • data_parser.py：负责将 JSON 解析成规范化 DataFrame。
• • excel_writer.py：负责写入 xlsx 文件。
• • compare.py：负责预测与实际/再分析数据误差对齐。
• • visualize.py：负责时间序列图和广东行政区地图。
• • scheduler.py：负责 daily 和 interval 自动调度。
• • logger.py：负责运行日志。

关键代码片段

1. 广东 21 地市坐标配置

城市坐标单独放在 JSON 配置文件中，后续可扩展到其他省份。

{"广州":{"lat":23.1291,"lon":113.2644},"深圳":{"lat":22.5431,"lon":114.0579},"珠海":{"lat":22.2707,"lon":113.5767},"汕头":{"lat":23.3541,"lon":116.6819},"佛山":{"lat":23.0215,"lon":113.1214},"阳江":{"lat":21.8579,"lon":111.9822},"湛江":{"lat":21.2707,"lon":110.3594}}

实际项目里完整内置了广东 21 个地级市。

2. 统一构造 Open-Meteo 请求参数

所有接口都统一设置时区、温度单位、风速单位、降水单位和时间格式。

def_base_params(self, lat: float, lon: float) -> dict[str, Any]:return {"latitude": lat,"longitude": lon,"hourly": ",".join(self.hourly_variables),"timezone": "Asia/Shanghai","wind_speed_unit": "ms","precipitation_unit": "mm","temperature_unit": "celsius","timeformat": "iso8601",    }

这里的 hourly_variables 来自 settings.yaml，包括温度、湿度、风速、云量、降水、短波辐射、DNI 等字段。

3. 获取未来天气预测数据

未来预测数据调用的是 Open-Meteo ECMWF Forecast API。

deffetch_forecast_future(    self,    city_name: str,    lat: float,    lon: float,    forecast_days: int | None = None,    start_date: str | None = None,    end_date: str | None = None,) -> dict[str, Any]:    params = self._base_params(lat, lon)if start_date and end_date:        params.update({"start_date": start_date, "end_date": end_date})elif forecast_days:        params["forecast_days"] = forecast_daysreturnself._fetch("forecast_future",        city_name,"https://api.open-meteo.com/v1/ecmwf",        params,    )

这样就可以同时支持：

• • 默认从当天开始获取未来 7 天。
• • 指定 start_date 和 end_date。
• • 指定部分城市或广东全部城市。

4. 请求失败自动重试

网络请求封装在 _request_with_retry 中。某个城市失败不会影响其他城市。

def_request_with_retry(self, url: str, params: dict[str, Any]):    last_error = Nonefor attempt inrange(1, self.max_retries + 1):try:            response = requests.get(url, params=params, timeout=self.timeout)            response.raise_for_status()return response.json(), Noneexcept requests.RequestException as exc:            last_error = str(exc)self.logger.warning("请求失败 attempt=%s/%s error=%s",                attempt,self.max_retries,                exc,            )returnNone, last_error

项目默认：

request_timeout:30max_retries:3request_sleep_seconds:0.5

也就是说，每个请求最多重试 3 次，单次 timeout 为 30 秒，城市之间会适当 sleep，避免请求过快。

5. 将 Open-Meteo JSON 解析成 DataFrame

Open-Meteo 返回的是 JSON，核心数据在 hourly.time 和各个小时级变量里。

项目会把它展开成“一行一个城市一个小时”的表格结构。

hourly = raw_json["hourly"]times = hourly.get("time", [])df = pd.DataFrame({"time": pd.to_datetime(times)})for variable in hourly_variables:    values = hourly.get(variable)if values isNone:        df[variable] = pd.NAelse:        df[variable] = pd.Series(values)df["province"] = "广东"df["city"] = city_namedf["latitude"] = latdf["longitude"] = londf["date"] = df["time"].dt.date.astype(str)df["hour"] = df["time"].dt.hour

如果接口缺少某个变量，字段仍然会保留，只是值为 NaN。

6. 写入 Excel 多个 sheet

最终用 pandas.ExcelWriter + openpyxl 输出 xlsx。

with pd.ExcelWriter(path, engine="openpyxl", mode="w") as writer:    forecast_future_df.to_excel(        writer,        sheet_name="forecast_future_hourly",        index=False,    )    actual_history_df.to_excel(        writer,        sheet_name="actual_history_hourly",        index=False,    )    city_config_df.to_excel(        writer,        sheet_name="city_config",        index=False,    )    run_log_df.to_excel(        writer,        sheet_name="run_log",        index=False,    )

项目实际输出时还会自动：

• • 创建 output/ 文件夹。
• • 冻结每个 sheet 首行。
• • 自动调整列宽。
• • 写入 data_dictionary 数据字典。
• • 保留未运行数据类型的空 sheet 表头。

7. 对齐历史预测与历史实际并计算误差

误差分析按 city + time 对齐。

merged = forecast[keep].merge(    actual[keep],    on=["city", "time"],    how="inner",    suffixes=("_forecast", "_actual"),)merged["temp_error"] = (    merged["temperature_2m_forecast"]    - merged["temperature_2m_actual"])merged["wind_10m_error"] = (    merged["wind_speed_10m_forecast"]    - merged["wind_speed_10m_actual"])

8. 绘制广东行政区气象分布图

项目新增了绘图入口，可以读取 xlsx 并输出广东行政区地图。

python plot_weather.py \  --input-xlsx output/weather_guangdong_20260511_174710.xlsx \  --sheet forecast_future_hourly \  --variable temperature_2m \  --cities 广州,深圳,阳江,湛江 \  --start-date 2026-05-11 \  --end-date 2026-05-13

会生成：

forecast_future_hourly_temperature_2m_timeseries.pngforecast_future_hourly_temperature_2m_guangdong_map.pngforecast_future_hourly_temperature_2m_guangdong_map.html

主要依赖

主要依赖包括：

requestspandasopenpyxlpyyamlapschedulerpython-dateutiltenacitypytestmatplotlibfolium

输出 Excel 里有什么？

每次运行都会生成一个 xlsx 文件，固定包含以下 sheet：

一个典型的输出字段

最终每一行代表：

一个城市 + 一个小时 + 一类数据

核心字段包括：

字段设计尽量保持“宽表 + 元数据”的形式，方便后续：

• • 直接用 Excel 分析
• • 用 pandas 继续处理
• • 接入 MySQL / PostgreSQL
• • 进入电价预测或新能源预测建模流程

注意事项

1. 1. 项目使用 Open-Meteo 官方 JSON API，不使用网页爬虫、Selenium 或浏览器抓取。
2. 2. actual_reanalysis 不是严格地面气象站实测数据，而是历史再分析/融合数据。

1. 3. 训练电价预测模型时，建议优先使用 forecast_historical，不要直接用 actual_reanalysis 替代未来天气输入。
2. 4. 某些 API 对部分变量支持不完全，项目会自动记录 warning，并把缺失字段保留为 NaN。
3. 5. 如果所有城市请求都失败，程序会返回非零退出码；如果部分城市失败，仍会生成 xlsx 并在 run_log 中记录错误。

结语

气象数据本身并不复杂，真正容易出问题的是“数据口径”。

预测阶段能拿到的是预测天气，训练阶段也应该尽量使用历史预测天气；历史实际/再分析天气更适合做复盘、误差评估和修正模型。

这个项目的目标，就是把广东 21 个地级市的小时级气象数据获取流程做成一个清晰、可复用、可扩展的小工具：

Open-Meteo API        ↓Python 自动获取        ↓pandas 规范化处理        ↓xlsx 文件输出        ↓行政区地图 / 时间序列图        ↓电价预测 / 新能源预测 

后续如果接入数据库、自动任务平台或模型训练流水线，也可以在这个结构上继续扩展。

如果你正在做广东电力市场预测、新能源出力分析或储能策略研究，这个项目可以作为一个轻量但完整的气象数据入口。