01
风电功率预测概述
定义、意义、分类（超短期/短期/中长期）、应用场景
基础概念
02
风电功率预测误差定义
绝对误差、相对误差、RMSE、MAE、MAPE
指标评价
03
误差来源分析（气象因素）
风速预测不准、风向突变、湍流强度、空气密度变化
气象成因
04
误差来源分析（设备因素）
风机老化、叶片结冰、偏航误差、功率曲线偏移、传感器故障
设备运维
05
误差来源分析（模型因素）
欠拟合、过拟合、特征选择不当、数据不均衡、泛化能力
建模诊断
06
误差统计分析方法
误差分布直方图、Q-Q图、自相关分析、风速散点图
统计可视化
07
误差评价指标体系
点预测指标、区间预测(PICP/PINAW)、概率预测(CRPS)
指标区间
08
误差修正策略（残差修正）
ARIMA残差修正、卡尔曼滤波、神经网络残差修正
残差时序
09
误差修正策略（模型融合）
Bagging、Boosting、Stacking、加权平均融合
集成融合
10
误差修正策略（数据预处理）
异常值检测、缺失值插补、归一化/标准化、重采样
清洗预处理
11
误差修正策略（特征工程）
风速-功率曲线特征、时序特征、气象/湍流/季节特征
特征工程
12
基于物理模型的误差优化
NWP修正、尾流效应、地形修正、稳定性修正
物理NWP
13
基于统计模型的误差优化
持续法、ARIMA、GARCH、卡尔曼滤波、马尔可夫链
统计经典
14
基于机器学习的误差优化
SVR、随机森林、XGBoost/LightGBM、K近邻
ML树模型
15
基于深度学习的误差优化
LSTM、GRU、CNN-LSTM、Transformer、TCN
DL时序
16
混合模型策略
物理-统计混合、数据驱动-物理约束、多模型集成
混合集成
17
区间预测方法
分位数回归、LUBE、贝叶斯神经网络、Bootstrap
区间不确定性
18
概率预测方法
核密度估计(KDE)、高斯过程、混合密度网络、深度集成
概率分布
19
极端天气下的误差优化
台风/寒潮/雷暴场景、鲁棒预测、自适应模型切换
极端鲁棒
20
风电场集群预测误差优化
空间相关性、时空图神经网络、集群互补性
集群时空
21
实时误差在线修正
在线学习、增量学习、自适应滑动窗口、概念漂移检测
在线自适应
22
误差不确定性量化
Aleatoric/Epistemic、MC Dropout、深度集成不确定性
不确定性量化
23
功率曲线建模与误差优化
分段拟合、Bins法、IEC标准曲线、动态功率曲线
曲线建模
24
数据质量对误差的影响
采集频率、通信延迟、数据丢包、SCADA质量评估
数据质量SCADA
25
模型超参数优化对误差的影响
网格搜索、随机搜索、贝叶斯优化、遗传算法、敏感性分析
超参数调优
26
迁移学习在误差优化中的应用
源域选择、域自适应、微调策略、跨风电场迁移
迁移TL
27
对比实验设计与误差分析
基准模型选择、t检验/Wilcoxon检验、误差分解
实验显著性
28
工程实践中的误差优化案例
某海上风电场预测系统优化、山地风电场误差分析报告
案例实战
29
误差优化工具与平台
scikit-learn、PyTorch、Prophet、IBM PAIRS、AWS Wind
工具平台
30
未来趋势与挑战
AI大模型、物理信息神经网络(PINN)、数字孪生、新型传感器
前沿趋势