01
项目背景与目标
为什么需要风电功率预测？预测精度对电网调度和风电场收益的影响。本课程实战案例的总体目标与评估指标（MAE、RMSE、R2）。
背景指标
02
数据来源与探索
公开数据集介绍（ELIA、GEFCom2014）。数据字段说明（风速、风向、温度、气压、实际功率）。数据量级与采样频率。
数据集EDA
03
数据预处理实战
缺失值处理（向前填充、插值法）。异常值检测与剔除（3-sigma原则、箱线图法）。时间戳对齐与重采样。
清洗异常检测
04
特征工程（上）
基于物理机理的特征构造（风速的立方、空气密度计算）。时间特征提取（小时、季节、月份）。
物理特征时间
05
特征工程（下）
滞后特征与滑动窗口统计（过去1小时平均风速、最大风速）。风向的三角函数变换（sin、cos编码）。特征选择（相关性分析、特征重要性排序）。
滞后选择
06
数据划分策略
时间序列数据不能随机打乱！滚动窗口划分法与时间序列交叉验证。训练集、验证集、测试集的划分比例与逻辑。
时序划分交叉验证
07
基线模型建立
使用历史均值法作为朴素基线。实现线性回归模型作为第一个机器学习基线。评估基线模型性能，明确提升空间。
基线线性回归
08
树模型实战（上）
决策树回归原理与超参数（max_depth, min_samples_split）。在风电数据上训练决策树，可视化决策路径。
决策树可视化
09
树模型实战（下）
随机森林回归原理与实战。梯度提升树（GBDT）原理与实战。超参数调优（n_estimators, learning_rate）。
随机森林GBDT
10
支持向量机回归（SVR）
SVR原理简介（核函数、间隔带）。在风电数据上应用SVR，对比线性核与RBF核的效果。
SVR核函数
11
深度学习入门
为什么深度学习适合时序预测？简单的全连接神经网络（MLP）搭建与训练。使用PyTorch/TensorFlow实现。
MLPPyTorch
12
循环神经网络（RNN）
RNN原理与梯度消失问题。简单RNN在风电预测上的应用与效果分析。
RNN梯度消失
13
长短期记忆网络（LSTM）
LSTM核心思想（遗忘门、输入门、输出门）。实战：搭建单层LSTM进行功率预测。
LSTM门控
14
LSTM超参数调优
序列长度（lookback）的影响。隐藏层大小、层数、Dropout率的选择。学习率与优化器（Adam vs SGD）的对比。
调参lookback
15
CNN与LSTM混合模型
为什么CNN能提取局部特征？一维CNN + LSTM的架构设计。实战：搭建CNN-LSTM模型并训练。
CNN混合
16
注意力机制
注意力机制的原理（Q、K、V）。在LSTM基础上加入注意力层，提升模型对关键时间步的关注。
注意力QKV
17
Transformer模型
Transformer架构简介（自注意力、多头注意力）。时间序列预测中的Transformer应用（Informer、Autoformer简介）。实战：使用简单Transformer进行预测。
Transformer自注意力
18
模型集成策略
简单平均与加权平均。Stacking集成方法。实战：融合随机森林、LSTM、Transformer的预测结果。
集成Stacking
19
超参数自动搜索
网格搜索（GridSearch）与随机搜索（RandomSearch）。贝叶斯优化（Bayesian Optimization）简介。使用Optuna库进行自动化调参。
自动调参Optuna
20
损失函数与评估指标
MAE、MSE、RMSE、MAPE、R2的数学含义与适用场景。Pinball Loss（分位数损失）用于概率预测。实战：自定义评估函数。
损失函数分位数
21
概率预测（上）
为什么要做概率预测？分位数回归原理。使用分位数损失训练LSTM，输出预测区间。
概率分位数
22
概率预测（下）
核密度估计（KDE）生成概率密度函数。蒙特卡洛Dropout实现不确定性估计。对比不同概率预测方法的效果。
KDEMC Dropout
23
模型解释性
SHAP值原理与计算。使用SHAP解释随机森林和LSTM的预测结果。特征重要性可视化。
SHAP可解释性
24
部署与工程化
模型导出（ONNX、TorchScript）。使用Flask/FastAPI搭建预测服务API。Docker容器化部署。
部署Docker
25
实时预测系统设计
数据流处理（Kafka + Flink）。模型在线更新策略。延迟与吞吐量优化。
实时Kafka
26
案例复盘（一）
数据问题复盘——数据质量对模型的天花板效应。特征工程复盘——哪些特征真正有效？
复盘数据质量
27
案例复盘（二）
模型选择复盘——为什么LSTM比随机森林好/差？超参数调优复盘——调参的边际效益递减。
模型选择边际效益
28
案例复盘（三）
部署与运维复盘——线上与线下效果不一致的原因。业务落地复盘——预测系统如何真正帮助调度决策。
运维业务落地
29
前沿趋势与展望
物理信息神经网络（PINN）在风电预测中的应用。图神经网络（GNN）用于多风机联合预测。联邦学习在数据隐私保护下的应用。
PINNGNN联邦学习
30
课程总结与行动指南
核心知识点脑图回顾。从0到1搭建风电预测系统的Checklist。推荐学习资源与论文列表。
总结Checklist