超短期功率预测算法精讲与实战

📚 共计 30 章节

功率预测概述

什么是超短期功率预测？为什么需要它？预测的时间尺度（未来0-4小时）与分类（超短期、短期、中长期）。

物理基础与数据来源

新能源（风/光）出力特性、影响功率的主要气象因素、数据采集（SCADA/测风塔/数值天气预报NWP）。

气象数据源

数据预处理实战（上）

缺失值处理、异常值检测与修正（3-Sigma、四分位法）。

清洗异常检测

数据预处理实战（下）

数据归一化/标准化、时间序列重采样、特征工程（构建滞后特征、滚动统计特征）。

特征工程归一化

评价指标体系

回归任务评价指标（MAE, RMSE, MAPE, R2）、行业标准（如电网考核细则）。

经典统计模型

持续法（Persistance）、移动平均法、ARIMA模型原理与实战。

机器学习入门

scikit-learn框架简介、线性回归、决策树回归在功率预测中的应用。

集成学习实战

随机森林、梯度提升树（GBDT, XGBoost, LightGBM）调参与对比。

深度学习基础

PyTorch/TensorFlow快速入门、全连接网络（MLP）用于时序预测。

循环神经网络（RNN）

RNN原理、梯度消失问题、实战构建RNN预测模型。

长短期记忆网络详解、门控机制、LSTM/GRU实战代码。

注意力机制

Seq2Seq模型、Attention原理、在功率预测中的应用。

AttentionSeq2Seq

时序卷积网络（TCN）

因果卷积、膨胀卷积、TCN实战。

Transformer模型

位置编码、多头注意力、Transformer用于时间序列预测。

Transformer时间序列

CNN-LSTM、CNN-Transformer等混合架构设计与实战。

多步预测策略

直接多步预测、递归多步预测、多输出多步预测。

分位数回归、区间预测、核密度估计。

模型解释性

SHAP值、特征重要性分析、预测结果可视化。

超参数优化

网格搜索、随机搜索、贝叶斯优化（Optuna）。

模型部署基础

ONNX模型导出、Flask/FastAPI搭建预测服务。

实时数据流处理

Kafka/Redis集成、滑动窗口更新模型。

项目实战一：LSTM风电场

基于LSTM的风电场超短期功率预测（完整流程）。

项目实战二：LightGBM光伏

基于LightGBM的光伏电站功率预测（特征工程重点）。

项目实战三：多站点联合

多站点联合预测与空间相关性分析。

多站点空间

项目实战四：极端天气鲁棒性

极端天气下的功率预测鲁棒性提升。

鲁棒性极端

模型融合与Stacking

多种模型集成策略、加权平均、Stacking实战。

预训练模型微调、跨电站/跨季节迁移。

隐私保护下的分布式功率预测框架。

物理信息神经网络（PINN）、图神经网络（GNN）在电网中的应用。

课程总结与面试指南

常见面试题、系统设计题、学习路径推荐。