01
课程导论
中长期风电功率预测的定义与重要性，气候模式在其中的角色，课程整体框架与学习目标。
概览框架
02
气象基础回顾
大气环流基本概念，关键气象要素（风速、风向、气压、温度、湿度）及其对风能的影响。
大气风能
03
气候模式原理
全球气候模式（GCM）与区域气候模式（RCM）的基本原理、分辨率与参数化方案。
GCMRCM
04
再分析资料
主流再分析数据集（ERA5、CFSR、MERRA-2）介绍、特点与获取方式。
ERA5CFSR
05
Python环境搭建
Anaconda安装、虚拟环境配置、核心库（NumPy、Pandas、Xarray、Matplotlib、Cartopy）安装。
Python环境
06
NetCDF数据处理
NetCDF文件格式解析，使用Xarray读取、查看、切片与合并气象数据。
NetCDFXarray
07
时间序列基础
Pandas时间序列处理，重采样、滑动窗口、缺失值处理。
Pandas时序
08
空间数据处理
经纬度网格理解，区域裁剪，插值方法（双线性、最邻近）。
插值网格
09
风速与功率曲线
风机功率曲线模型，从风速到功率的转换，空气密度修正。
功率曲线转换
10
特征工程（上）
从气象变量中提取统计特征（均值、方差、极值、百分位数）。
统计特征
11
特征工程（下）
时序特征（滞后特征、滑动平均、差分），频域特征（FFT、小波变换简介）。
时序频域
12
气候模式降尺度
统计降尺度方法（线性回归、类比法），动力降尺度简介。
降尺度统计
13
集合预报基础
集合预报概念，集合均值与离散度，概率预报基础。
集合概率
14
多模式集成
简单多模式平均（SMMA），加权集成方法（BMA、REA）。
集成BMA
15
线性回归模型
一元/多元线性回归，正则化（Ridge、Lasso），在风电预测中的应用。
回归正则化
16
树模型
决策树、随机森林、梯度提升树（XGBoost、LightGBM），处理非线性关系。
随机森林XGBoost
17
支持向量机
SVR原理，核函数选择，参数调优。
SVR核函数
18
长短期记忆网络（LSTM）
RNN基础，LSTM原理，在时序预测中的实现（Keras/PyTorch）。
LSTM时序
19
卷积神经网络（CNN）
1D-CNN用于时序特征提取，结合LSTM的混合模型。
CNN混合
20
模型评估指标
MAE、RMSE、MAPE、R²，预测区间评估（PICP、PINAW）。
指标区间
21
交叉验证与时序验证
时间序列交叉验证方法（Expanding Window、Rolling Window），避免数据泄露。
交叉验证时序
22
超参数调优
网格搜索、随机搜索、贝叶斯优化，使用Optuna或Hyperopt。
调优Optuna
23
特征重要性分析
Permutation Importance、SHAP值，模型可解释性。
SHAP可解释
24
不确定性量化
蒙特卡洛Dropout，分位数回归，预测区间构建。
不确定性区间
25
案例实战（一）
基于ERA5再分析数据，构建某风电场未来7天功率预测模型。
ERA5实战
26
案例实战（二）
多模式集成（ECMWF+GFS+CMC）在月尺度预测中的应用。
多模式月尺度
27
案例实战（三）
极端天气事件（寒潮、台风）下的功率预测挑战与应对。
极端天气挑战
28
模型部署基础
模型序列化（Pickle、ONNX），Flask API搭建简单预测服务。
部署Flask
29
可视化与报告
预测结果可视化（时序对比、误差分布、泰勒图），生成自动化报告。
可视化报告
30
课程总结与前沿展望
物理-AI融合（PINN）、可解释AI（XAI）、数字孪生在风电预测中的未来趋势。
PINN数字孪生