01
风电预测概述
风电的不确定性、预测的重要性、预测评价指标（MAE、RMSE、R2）
基础指标
02
数据预处理实战
缺失值处理、异常值检测与修正、数据归一化与标准化
清洗归一化
03
特征工程基础
时间特征提取、气象特征融合、滞后特征构造
特征时序
04
单模型基石（上）
线性回归与岭回归在风电预测中的应用
回归岭回归
05
单模型基石（下）
决策树与随机森林回归实战
树模型集成
06
时序模型利器
LSTM原理与风电时序预测代码实现
深度学习LSTM
07
集成学习入门
Bagging与Boosting思想在风电场景的对比
BaggingBoosting
08
XGBoost实战
XGBoost模型训练、调参与风电预测
XGBoost调参
09
LightGBM实战
LightGBM高效训练与特征重要性分析
LightGBM重要性
10
Stacking融合原理
元学习器与基学习器的选择策略
Stacking元学习
11
Stacking代码实现
基于Python的Stacking融合模型搭建
实现Python
12
加权平均融合法
动态权重与静态权重的确定方法
加权权重
13
Voting融合机制
回归任务中的Voting策略与实现
Voting回归
14
Blending融合方法
Holdout验证集上的Blending实战
BlendingHoldout
15
多模型融合策略对比
Stacking vs Blending vs Voting
对比策略
16
超参数优化（上）
网格搜索与随机搜索在融合模型中的应用
网格搜索随机搜索
17
超参数优化（下）
贝叶斯优化与Optuna实战
贝叶斯Optuna
18
交叉验证策略
时间序列交叉验证与传统K折的区别
时序CVK折
19
模型解释性
SHAP值分析融合模型中各特征的贡献
SHAP可解释
20
不确定性量化
预测区间的构造与可靠性评估
区间预测可靠性
21
实时预测系统设计
数据流处理与模型在线更新
实时流处理
22
多步预测策略
直接多步、递归多步与多输出多步
多步策略
23
注意力机制融合
在LSTM中引入Attention提升预测精度
AttentionLSTM
24
Transformer在风电预测中的应用
时间序列Transformer入门
Transformer时序
25
图神经网络融合
利用风电场拓扑结构提升预测
GNN拓扑
26
迁移学习与域适应
将源风场模型迁移到目标风场
迁移学习域适应
27
模型压缩与部署
ONNX导出与边缘端推理优化
ONNX部署
28
案例实战（一）
基于Stacking的短期风电功率预测完整项目
项目短期
29
案例实战（二）
基于加权融合的中期风电功率预测完整项目
项目中期
30
课程总结与前沿展望
物理信息融合、大模型与数字孪生趋势
总结前沿