01
需求响应概述
电力市场背景、需求响应的定义与分类、需求响应在新型电力系统中的作用。
概念电力市场
02
需求响应激励机制
价格型需求响应（分时电价、尖峰电价）、激励型需求响应（直接负荷控制、可中断负荷）。
价格激励
03
用户负荷特性分析
负荷曲线解读、用户分类与用电行为模式、影响负荷的关键因素。
负荷行为
04
数据采集与预处理
智能电表数据采集、数据清洗（缺失值、异常值处理）、数据归一化与标准化。
清洗归一化
05
特征工程基础
时间特征提取（小时、星期、节假日）、统计特征（均值、方差、峰值）、滑动窗口特征。
特征窗口
06
探索性数据分析（EDA）
数据可视化（负荷曲线、箱线图、热力图）、相关性分析、季节性分解。
可视化相关性
07
基线负荷计算方法
平均法、回归法、相似日法、行业标准（CBL计算）。
CBL回归
08
需求响应潜力评估
理论潜力、技术潜力、经济潜力、可调度潜力建模。
潜力建模
09
机器学习基础回顾
监督学习、无监督学习、过拟合与欠拟合、模型评估指标（MAE, RMSE, R2）。
评估指标
10
线性回归模型
一元与多元线性回归、正则化（L1, L2）、在负荷预测中的应用。
回归正则化
11
决策树与随机森林
决策树原理、随机森林集成学习、特征重要性分析、调参技巧。
集成调参
12
梯度提升树（XGBoost/LightGBM）
Boosting原理、XGBoost核心参数、LightGBM的优化策略。
Boosting优化
13
支持向量机（SVM）
SVM原理、核函数选择、在用户分类中的应用。
SVM核函数
14
K-Means聚类算法
算法原理、肘部法则确定K值、用户用电模式聚类。
聚类肘部
15
DBSCAN与层次聚类
密度聚类、层次聚类、异常用户检测。
密度异常
16
时间序列模型（ARIMA）
平稳性检验、差分、ACF/PACF图、模型定阶与预测。
ARIMA差分
17
深度学习入门（LSTM）
循环神经网络基础、LSTM门控机制、时间序列预测实战。
LSTM门控
18
CNN在负荷预测中的应用
一维卷积、时序特征提取、CNN-LSTM混合模型。
CNN混合
19
强化学习基础
马尔可夫决策过程、Q-Learning、深度Q网络（DQN）。
强化DQN
20
基于强化学习的需求响应决策
状态空间设计、动作空间设计、奖励函数设计。
决策奖励
21
多智能体强化学习
集中式与分布式架构、协作与竞争、在虚拟电厂中的应用。
多智能体虚拟电厂
22
联邦学习在隐私保护中的应用
联邦平均算法、差分隐私、用户数据不出本地。
联邦隐私
23
模型训练与调优
训练集/验证集/测试集划分、交叉验证、超参数搜索（网格搜索、贝叶斯优化）。
调优超参数
24
模型部署与推理
模型序列化（ONNX, PMML）、边缘计算部署、实时推理延迟优化。
部署ONNX
25
需求响应效果评估
负荷削减量计算、用户舒适度影响评估、经济效益分析。
评估经济
26
异常检测与鲁棒性
对抗样本、数据投毒攻击、模型鲁棒性增强。
鲁棒对抗
27
可解释性AI（XAI）
SHAP值、LIME、特征重要性可视化、模型决策过程解释。
XAISHAP
28
综合案例1：居民用户需求响应潜力预测
从数据到模型全流程。
案例居民
29
综合案例2：工业园区可中断负荷优化调度
多目标优化。
案例工业
30
前沿趋势与展望
数字孪生、虚拟电厂、碳交易与需求响应协同、AI大模型在电力系统中的应用。
前沿AI大模型