第1章：机器学习基础回顾
各位同学好，我是老张。今天咱们正式开始这门课的第一章——机器学习基础回顾。
你可能会问：做储能优化，为什么要学机器学习？
我直接告诉你答案：因为传统的规则控制，说白了就是「死脑筋」。电池什么时候充、什么时候放，靠固定阈值根本玩不转。而机器学习，能让系统自己学会「看天吃饭」——根据电价、天气、负载变化，动态调整策略。
好，咱们先不急着上代码。先把地基打牢。
1.1 监督学习：有老师带着学
监督学习，就是给模型一堆「标准答案」让它学。
举个例子：你手里有过去一年的储能数据——每个时刻的SOC、电价、负载，以及当时「应该充还是放」的决策。把这些数据喂给模型，它就能学会：在什么条件下该充电，什么条件下该放电。
我个人习惯把监督学习分成两类：
- 回归问题：预测连续值。比如预测未来1小时的负载功率，输出是3.5kW、7.2kW这样的具体数字。
- 分类问题：预测离散类别。比如判断「当前该充电、放电、还是待机」，输出是0、1、2这样的标签。
避坑指南：我曾经在项目里把回归当分类做，结果模型死活不收敛。后来才发现，负载预测是连续值，不能用softmax输出。记住：回归用MSE损失，分类用交叉熵损失。
1.2 无监督学习：自己摸索规律
无监督学习，没有标准答案。模型自己从数据里找模式。
在储能场景里，我常用它做两件事：
- 聚类：把历史数据分成几类。比如把「高电价+高负载」归为一类，「低电价+低负载」归为另一类。这样系统就能针对不同场景制定不同策略。
- 异常检测：找出电池的异常行为。比如某天SOC曲线突然异常，可能是传感器坏了，也可能是电池老化了。
嗯，这里要注意：无监督学习的结果需要人工解读。机器告诉你「分成了3类」，但每类代表什么含义，得靠你的业务经验去判断。
1.3 强化学习：边试错边学习
这是咱们这门课的重头戏。
强化学习，说白了就是「让智能体自己摸索着学」。它没有现成的标准答案，只有奖励和惩罚。
想象一下：你让一个智能体控制储能系统。它每次做出充放电决策后，环境会反馈一个奖励——如果决策让电费降低了，给正奖励；如果让电池过放了，给负奖励。智能体就靠这些奖励信号，慢慢学会最优策略。
我刚开始做强化学习时，总觉得它不靠谱——让机器自己瞎试，万一试出事故怎么办？后来发现，可以在仿真环境里先训练，等模型稳定了再部署到真实系统。这个技巧，后面章节会详细讲。
个人经验：强化学习特别适合储能场景，因为电价、负载都是动态变化的，没有固定的「最优解」。强化学习能自适应地调整策略，这是传统PID控制做不到的。
1.4 特征工程：数据预处理是关键
很多同学觉得，模型选得好就万事大吉了。其实不然。我见过太多项目，模型再牛，数据一塌糊涂，结果照样拉胯。
特征工程，就是把原始数据变成模型能理解的形式。具体来说：
- 缺失值处理：传感器偶尔会掉线，数据出现空值。我习惯用前向填充法——用上一时刻的值补上。简单有效。
- 归一化/标准化：SOC是0~1之间的数，电价可能是0.3~1.2元/kWh，负载可能是0~100kW。如果不做归一化，模型会天然偏向数值大的特征。
- 时间特征提取：把时间戳拆成「小时」「星期几」「是否节假日」等特征。储能系统在白天和晚上的行为完全不同，这个特征很关键。
# 一个简单的特征工程示例
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
# 原始数据
data = pd.DataFrame({
'soc': [0.5, 0.6, None, 0.8],
'price': [0.8, 1.2, 0.6, 0.9],
'load': [50, 80, 60, 70]
})
# 缺失值处理：前向填充
data['soc'].fillna(method='ffill', inplace=True)
# 归一化
scaler = MinMaxScaler()
data[['price', 'load']] = scaler.fit_transform(data[['price', 'load']])
print(data)
注意：归一化时，一定要用训练集的参数去变换测试集，不能把测试集和训练集混在一起归一化。否则会造成数据泄露，模型评估结果会虚高。
1.5 知识体系总览
为了让你对本章内容有个整体印象，我画了一张图。这张图把机器学习三大范式、回归与分类的区别、以及特征工程的核心步骤串在了一起。
这张图里，我把三大范式放在顶部，下面展开各自的核心任务。最下面是特征工程——它是所有机器学习项目的基础。记住一句话：数据质量决定模型上限。特征工程做不好，再牛的算法也白搭。
好，第一章的内容就到这里。下一章，咱们会深入强化学习的核心算法——Q-learning，并手把手带你写一个储能充放电的仿真环境。
公众号:蓝海资料掘金营，微信deep3321