第1章课程导论

一、课程导论：风电功率预测的背景与意义、数据清洗与特征工程在预测中的核心地位、课程整体架构与学习路径

说实话，我入行风电数据科学那会儿，最头疼的问题就是——风电场到底能发多少电？

你想想看，风这个东西，它不像火电，说加煤就加煤。风是老天爷给的，时大时小，时有时无。电网调度那边天天催我：「老张，明天你们场能发多少？给个准数！」

嗯，这就是风电功率预测的核心价值。

往大了说，它关系到整个电网的安全稳定。风电场发的电多了，火电就得降负荷；风停了，火电得赶紧顶上。要是预测不准，轻则浪费能源，重则电网崩溃。

往小了说，它直接关系到风电场的经济效益。我见过一个场子，因为预测偏差太大，被电网罚款罚得心疼。后来他们找到我，我帮他们把预测精度提了5个百分点，一年省下来的罚款够买两台风机了。

核心数据：根据行业统计，风电功率预测每提升1%的精度，一个100MW的风电场每年可减少约200万元的考核费用。这不是小数目。

很多人一上来就想着用多牛的模型。LSTM、Transformer、XGBoost……模型选得花里胡哨。

但我得泼盆冷水：数据质量不行，再牛的模型也是白搭。

我在项目中遇到过一件事。有个团队用了一年的历史数据训练模型，预测效果一直很差。我过去一看，好家伙，风速传感器有三个月是坏的，数据全是0。他们居然没发现，直接拿这些「假数据」去训练。你说模型能学出什么来？

这就是数据清洗的意义——把脏数据、坏数据、异常数据揪出来，还你一个干净的数据集。

而特征工程呢？说白了，就是帮模型「开窍」。

原始数据里只有风速、风向、温度这些。但真正影响功率的，可能是风速的波动率、风向的稳定性、空气密度……这些特征不会自己从数据里蹦出来，得靠我们去构造。

我的经验：特征工程做得好，有时候比换模型效果还明显。我曾经只用了一个简单的「风速标准差」特征，就把一个项目的预测误差降低了8%。

我习惯把数据清洗分成四个层次：

注意：数据清洗不是一次性工作。我建议每次拿到新数据，都要重新做一遍清洗流程。因为传感器状态、环境条件都在变，昨天的清洗规则今天可能就不适用了。

特征工程这块，我把它分成三大类：

我个人最看重的是物理特征。为什么？因为风电功率预测本质上是个物理问题。风速和功率之间的关系，可以用功率曲线来描述。但实际中，功率曲线会受到空气密度、湍流强度等因素的影响。

举个例子：同样的风速，夏天和冬天的发电量可能差20%。因为夏天空气密度低，风能就少。如果你不把这个特征加进去，模型永远学不会这个规律。

这个课程一共30章，我把它设计成三个模块：

基础篇（第1-8章）带你打好数据清洗和特征工程的基本功。我会手把手教你用Python处理风电数据，从读取数据到可视化，从缺失值处理到异常值检测。

进阶篇（第9-20章）深入特征工程的各个方向。统计特征、时序特征、物理特征……每个方向我都会结合真实的风电数据案例来讲。

实战篇（第21-30章）是一个完整的项目。我们会从零开始，对一个真实的风电场数据进行清洗、特征工程、模型训练和评估。做完这个项目，你就能独立应对大部分风电预测场景了。

我建议你这样学：

一个小建议：准备一个笔记本，把每章学到的「坑」和「技巧」记下来。我自己的笔记本已经记了三大本了，每次翻看都有新收获。