01
课程导论
风电功率预测的重要性 · 预测模型评估的必要性 · 课程目标与学习路径
导论基础
02
风电功率特性分析
风速与功率的关系（功率曲线）· 风资源的随机性与波动性 · 典型风电场数据特征
功率曲线波动性
03
数据预处理基础
数据清洗（异常值、缺失值处理）· 时间序列重采样 · 数据标准化与归一化
清洗归一化
04
特征工程入门
时间特征提取（小时、季节、月份）· 滞后特征与滑动窗口统计 · 风速风向分解
特征滑动窗口
05
评估指标体系（上）
回归问题常用指标（MAE、RMSE、MAPE）· 指标计算公式与物理含义 · 指标选择原则
MAERMSEMAPE
06
评估指标体系（下）
改进指标（SMAPE、nRMSE、R²）· 分位数指标（Pinball Loss）· 业务导向指标（准确率、合格率）
R²Pinball
07
基准模型
持久性模型（Persistance）· 气候学平均模型 · 线性回归模型
基准线性回归
08
经典机器学习模型（上）
决策树与随机森林 · 模型原理与调参要点 · 在风电预测中的应用
随机森林调参
09
经典机器学习模型（下）
支持向量回归（SVR）· K近邻回归（KNN）· 梯度提升树（GBDT、XGBoost、LightGBM）
SVRXGBoost
10
深度学习模型入门
多层感知机（MLP）· 循环神经网络（RNN）基础 · 长短期记忆网络（LSTM）原理
MLPLSTM
11
LSTM实战
数据序列化（滑动窗口构建）· PyTorch/TensorFlow实现LSTM · 超参数调优（隐藏层、学习率、序列长度）
PyTorch滑动窗口
12
CNN与混合模型
时序卷积网络（TCN）· CNN-LSTM混合架构 · 注意力机制（Attention）简介
TCNAttention
13
Transformer模型
自注意力机制原理 · 位置编码 · 在时序预测中的应用（Informer、Autoformer）
TransformerInformer
14
概率预测模型
分位数回归 · 高斯过程回归 · 贝叶斯神经网络 · 预测区间构建
概率贝叶斯
15
模型训练策略
训练集/验证集/测试集划分（时间序列交叉验证）· 早停法（Early Stopping）· 学习率调度
交叉验证早停
16
过拟合与正则化
L1/L2正则化 · Dropout · Batch Normalization · 模型集成（Bagging、Stacking）
正则化集成
17
超参数优化
网格搜索（Grid Search）· 随机搜索（Random Search）· 贝叶斯优化（Hyperopt、Optuna）
贝叶斯优化Optuna
18
模型评估流程
单步预测评估 · 多步预测评估（直接法、递归法、多输出法）· 滚动预测评估
多步预测滚动
19
对比分析框架
公平对比原则（相同数据、相同评估指标）· 统计显著性检验（Diebold-Mariano）· 模型排名方法
显著性排名
20
可视化评估
预测值与真实值对比图 · 残差分析图 · 误差分布直方图 · 泰勒图（Taylor Diagram）
可视化泰勒图
21
季节性分析
不同季节模型性能对比 · 极端天气（台风、寒潮）下的模型表现 · 日内不同时段性能分析
季节极端天气
22
风电场群评估
单机预测与全场预测对比 · 空间相关性利用 · 集群预测误差分析
集群空间相关
23
模型可解释性
特征重要性分析（SHAP、PDP）· LSTM注意力可视化 · 模型决策路径分析
SHAP可解释性
24
在线学习与模型更新
增量学习策略 · 模型漂移检测 · 定期重训练与自适应更新
增量学习漂移
25
工程化部署
模型导出（ONNX、TorchScript）· 推理加速（量化、剪枝）· API服务搭建（Flask/FastAPI）
ONNXFastAPI
26
案例实战（一）
基于公开数据集（如GEFCom2014）的数据探索与预处理 · 特征构建
GEFCom2014实战
27
案例实战（二）
多模型训练与评估（Persistance、RF、LSTM、Transformer）· 结果对比分析
多模型对比
28
案例实战（三）
模型融合与集成（加权平均、Stacking）· 最优模型选择与部署
Stacking融合
29
前沿趋势
物理信息神经网络（PINN）· 图神经网络（GNN）在风电场中的应用 · 大模型与基础模型
PINNGNN
30
课程总结
核心知识点回顾 · 常见误区与避坑指南 · 推荐学习资源与进阶路径
总结进阶