01
课程导论与项目背景
什么是短期功率预测？为什么需要深度学习？课程目标与项目全景图。
导论全景
02
环境搭建与工具链
Anaconda、PyTorch、CUDA、Jupyter Notebook 安装与配置。
环境工具
03
Python 数据科学基础回顾
NumPy、Pandas、Matplotlib 快速上手。
Python基础
04
时间序列基础
什么是时间序列？平稳性、自相关、偏自相关、白噪声检验。
时序统计
05
数据获取与探索
公开数据集介绍（如 GEFCom2014）、数据加载、基本统计描述。
数据探索
06
数据可视化分析
功率曲线绘制、季节性分解、趋势与周期可视化。
可视化EDA
07
数据预处理（上）
缺失值处理、异常值检测与修正、时间戳对齐。
清洗预处理
08
数据预处理（下）
归一化/标准化、滑动窗口构建、训练/验证/测试集划分。
归一化窗口
09
特征工程（上）
时间特征（小时、星期、季节）、滞后特征、滚动统计特征。
特征时序
10
特征工程（下）
天气特征融合、外部变量处理、特征选择与重要性评估。
融合选择
11
PyTorch 基础回顾（上）
张量操作、自动求导、数据加载器 DataLoader。
PyTorch张量
12
PyTorch 基础回顾（下）
构建简单全连接网络、训练循环、模型保存与加载。
网络训练
13
从零搭建基线模型
基于全连接网络（MLP）的功率预测，作为性能基准。
MLP基线
14
循环神经网络（RNN）原理
RNN 结构、梯度消失/爆炸问题、适用场景。
RNN原理
15
实战：基于简单 RNN 的功率预测
模型构建与训练。
实战RNN
16
长短期记忆网络（LSTM）原理
LSTM 门控机制、细胞状态、遗忘门/输入门/输出门。
LSTM门控
17
实战：基于 LSTM 的功率预测（单变量）
单变量输入模型构建与训练。
LSTM单变量
18
实战：基于 LSTM 的功率预测（多变量）
多变量输入，融合天气特征。
LSTM多变量
19
门控循环单元（GRU）原理
GRU 与 LSTM 的对比、GRU 结构详解。
GRU对比
20
实战：基于 GRU 的功率预测与对比
GRU 模型构建，并与 LSTM 结果对比分析。
GRU对比
21
双向 RNN 与堆叠 LSTM
双向结构原理、多层堆叠策略、实战应用。
双向堆叠
22
注意力机制入门
为什么需要注意力？加性注意力与点积注意力，在时序预测中的应用。
注意力机制
23
实战：LSTM + Attention 混合模型
混合模型构建与训练。
LSTM+Attention
24
超参数调优
学习率、隐藏层大小、层数、批次大小、序列长度的影响与调优策略。
调优超参数
25
模型评估与诊断
MAE、RMSE、MAPE 指标详解、残差分析、预测误差分布。
评估指标
26
模型集成与策略
多模型平均、Bagging、Stacking 在功率预测中的应用。
集成Bagging
27
模型部署基础
ONNX 导出、Flask 轻量级 API 搭建、实时预测演示。
部署Flask
28
案例实战：风电场多风机功率预测
数据清洗 + 模型训练 + 结果分析。
风电实战
29
案例实战：光伏功率预测
考虑辐照度、温度、云量等特征。
光伏辐照
30
课程总结与进阶方向
Transformer 在时序预测中的应用、概率预测、联邦学习展望。
总结进阶