01
课程导论与项目背景
风电功率预测的重要性、预测误差对电网的影响、本课程目标与学习路径。
导论背景
02
数据探索与可视化
风电数据特征（风速、风向、温度、气压）、数据分布分析、异常值初步识别。
EDA可视化
03
数据预处理实战
缺失值处理（插值法、前向填充）、异常值检测与修正（3-sigma、IQR）、标准化与归一化。
清洗归一化
04
特征工程基础
时间特征提取（小时、季节、月份）、滞后特征构建、滚动窗口统计特征。
特征窗口
05
特征选择方法
相关性分析（Pearson、Spearman）、基于模型的特征重要性（树模型）、递归特征消除（RFE）。
选择RFE
06
基线模型建立
线性回归、决策树回归、模型评估指标（MAE、RMSE、R2）。
基线回归
07
模型评估与诊断
学习曲线分析、残差分析、预测误差的时间分布特性。
诊断残差
08
超参数调优入门
网格搜索（GridSearchCV）原理与实践、参数空间设计原则。
网格搜索调参
09
随机搜索与贝叶斯优化
RandomizedSearchCV、贝叶斯优化（BayesianOptimization）库实战。
随机搜索贝叶斯
10
集成学习模型调优
随机森林（n_estimators, max_depth, min_samples_split）调参实战。
随机森林集成
11
梯度提升模型调优（上）
XGBoost核心参数（learning_rate, n_estimators, max_depth, subsample）详解与调优。
XGBoost提升
12
梯度提升模型调优（下）
LightGBM与CatBoost参数对比、叶子节点数、类别特征处理。
LightGBMCatBoost
13
深度学习模型入门
LSTM网络结构、时间序列预测中的滑动窗口法、PyTorch基础实现。
LSTMPyTorch
14
LSTM超参数调优
隐藏层大小、层数、学习率、Dropout率、序列长度对性能的影响。
LSTM调参
15
CNN与混合模型
时序卷积网络（TCN）、CNN-LSTM混合模型结构设计与调参。
CNNTCN
16
注意力机制与Transformer
自注意力机制原理、时间序列Transformer调参要点。
注意力Transformer
17
损失函数与优化器选择
MAE vs MSE vs Huber Loss、Adam vs SGD vs RMSprop。
损失优化器
18
正则化与防止过拟合
L1/L2正则化、早停法（Early Stopping）、学习率衰减策略。
正则化早停
19
交叉验证策略
时间序列交叉验证（TimeSeriesSplit）、滚动窗口验证、扩展窗口验证。
交叉验证时序
20
多步预测策略
直接多步预测、递归多步预测、多输出模型、Seq2Seq模型。
多步Seq2Seq
21
概率预测与不确定性量化
分位数回归、区间预测、核密度估计。
概率分位数
22
模型集成与堆叠
加权平均集成、Stacking集成、不同模型优势互补策略。
集成Stacking
23
自动化调参框架
Optuna框架实战、Hyperopt框架对比、自动调参最佳实践。
OptunaHyperopt
24
模型部署与推理优化
ONNX模型导出、模型量化、推理加速技巧。
ONNX部署
25
实时预测系统设计
数据流处理、模型热更新、预测结果缓存策略。
实时系统
26
案例实战（一）
基于XGBoost的短期风电功率预测全流程（数据→特征→调参→评估）。
XGBoost实战
27
案例实战（二）
基于LSTM的中期风电功率预测全流程（序列构建→模型训练→超参搜索）。
LSTM实战
28
案例实战（三）
多模型集成预测竞赛方案解析（Top方案思路复现与调参细节）。
竞赛集成
29
模型监控与维护
预测漂移检测、模型重训练触发策略、性能退化报警。
监控漂移
30
课程总结与进阶方向
知识体系回顾、前沿方向（图神经网络、物理信息网络）、学习资源推荐。
总结进阶