风电功率预测 · 数据清洗与特征工程实战
📚 共计 30 章节
01
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核心地位 · 课程架构与学习路径
背景
总览
02
风电数据基础
SCADA系统数据采集原理 · 字段详解（风速/风向/温度/功率） · 采样频率与时间对齐
SCADA
字段
03
数据探索性分析（EDA）
数据概览与统计描述 · 缺失值分布可视化 · 异常值初步识别 · 相关性热力图
EDA
可视化
04
缺失值处理（上）
缺失原因分析 · 删除法（行/列）适用场景与风险 · 均值/中位数填充
删除法
均值填充
05
缺失值处理（下）
KNN插补 · 多重插补 · 时间序列插值（线性/样条） · 基于风功率曲线的填充策略
KNN
插值
功率曲线
06
异常值检测（上）
基于统计（Z-score/IQR） · 基于密度（DBSCAN） · 基于距离的方法
Z-score
IQR
DBSCAN
07
异常值检测（下）
孤立森林 · 自编码器 · 基于风功率曲线的物理约束检测
孤立森林
自编码器
物理约束
08
异常值处理
修正（替换为预测值） · 剔除 · 标记为新特征 · 不同策略对比实验
修正
剔除
对比
09
数据重采样与对齐
不同时间粒度（10min/1h/1d）重采样 · 滚动窗口统计 · 时间戳对齐与索引处理
重采样
滚动窗口
10
数据标准化与归一化
Min-Max归一化 · Z-score标准化 · Robust标准化 · 风电数据标准化策略选择
归一化
标准化
11
时间特征工程
年/月/日/小时/分钟特征 · 星期几与节假日 · 季节性分解（STL）
时间特征
STL
12
滞后特征构建
风速/功率滞后特征 · 多步滞后（1步/2步/3步...） · 滞后阶数选择（ACF/PACF）
滞后
ACF
PACF
13
滚动统计特征
滚动均值/标准差/最大最小值 · 滚动偏度/峰度 · 窗口大小选择
滚动统计
窗口
14
差分与趋势特征
一阶/二阶差分 · 趋势项提取 · 季节项提取 · 残差项分析
差分
趋势
季节
15
风功率曲线特征
理论风功率曲线（Betz极限） · 实际曲线拟合 · 偏差特征 · 切入/切出风速标记
功率曲线
Betz
16
风向特征工程
风向正弦/余弦变换 · 扇区划分 · 稳定性指标 · 风向与风速交互特征
风向
交互特征
17
湍流强度与风切变特征
湍流强度计算 · 垂直/水平风切变指数 · 对功率预测的影响
湍流
风切变
18
气象特征融合
数值天气预报（NWP）接入 · NWP与SCADA对齐 · NWP偏差校正 · 多源融合策略
NWP
融合
19
机组状态特征
运行状态编码（运行/停机/限功率/故障） · 状态转换标记 · 状态持续时间特征
状态编码
持续时间
20
聚类特征
基于风速K-means聚类 · 基于工况聚类 · 聚类标签作为新特征 · 中心距离特征
K-means
聚类标签
21
降维特征
PCA在风电特征中的应用 · t-SNE可视化 · 特征重要性排序与筛选
PCA
t-SNE
22
特征选择方法
过滤法（方差阈值/相关系数） · 包裹法（RFE） · 嵌入法（Lasso/树模型）
过滤法
包裹法
嵌入法
23
数据划分策略
时间序列交叉验证 · 滚动时间窗口划分 · 避免数据泄露 · 训练/验证/测试集划分
交叉验证
数据泄露
24
数据管道构建
scikit-learn Pipeline · 自定义Transformer · 管道持久化与复用
Pipeline
Transformer
25
数据质量评估
完整性评估 · 一致性检查 · 准确性验证 · 数据质量报告生成
质量评估
报告
26
案例实战（一）
完整数据清洗流程：原始SCADA → 干净数据集（缺失值/异常值/重采样）
实战
清洗流程
27
案例实战（二）
完整特征工程流程：时间特征 → 高阶交互特征，构建100+维特征集
实战
特征工程
28
案例实战（三）
特征选择与降维：100+特征 → 30核心特征，对比筛选前后模型性能
实战
特征选择
29
模型基线对比
清洗前后数据训练LSTM/XGBoost/随机森林，对比性能提升效果
LSTM
XGBoost
随机森林
30
课程总结与进阶
最佳实践总结 · 常见陷阱与避坑 · 前沿方向（深度学习自动特征提取/迁移学习）
总结
进阶