01
课程导论
什么是短期功率预测？为什么重要？应用场景与行业痛点。
概念背景
02
数据基础
功率数据的特性（周期性、波动性、随机性），数据采集与频率。
数据特性
03
数据预处理（上）
缺失值处理、异常值检测与修正、数据清洗实战。
清洗异常
04
数据预处理（下）
数据归一化/标准化、时间序列重采样、特征工程初步。
归一化重采样
05
探索性数据分析（EDA）
可视化功率曲线、相关性分析、季节性分解。
可视化分解
06
特征工程（上）
时间特征（小时、星期、季节）、滞后特征、滑动窗口统计。
时间特征滑动窗口
07
特征工程（下）
天气特征融合、数值天气预报（NWP）处理、特征选择方法。
NWP特征选择
08
经典模型：线性回归与岭回归
原理、实现与在功率预测中的局限性。
线性岭回归
09
经典模型：支持向量回归（SVR）
核函数选择、参数调优与实战。
SVR核函数
10
决策树与随机森林
集成学习思想、特征重要性分析。
随机森林特征重要性
11
梯度提升树（GBDT/XGBoost/LightGBM）
原理对比与实战。
XGBoostLightGBM
12
深度学习入门
从感知机到多层神经网络，激活函数与反向传播。
感知机反向传播
13
RNN与LSTM原理
循环神经网络与长短期记忆网络原理。
RNNLSTM
14
LSTM实战：单变量功率预测
基于PyTorch/TensorFlow构建模型。
LSTMPyTorch
15
CNN与CNN-LSTM混合模型
提取局部特征与时序依赖。
CNN混合模型
16
注意力机制与Transformer
时间序列预测的新范式。
注意力Transformer
17
模型评估指标
MAE、RMSE、MAPE、R²，如何选择与解读。
评估指标
18
模型验证策略
时间序列交叉验证、滚动预测验证、避免数据泄露。
交叉验证滚动
19
超参数调优
网格搜索、随机搜索、贝叶斯优化实战。
调优贝叶斯
20
模型集成
Stacking、Blending、加权平均融合策略。
集成Stacking
21
不确定性量化
分位数回归、区间预测、概率预测方法。
分位数概率
22
多步预测策略
递归多步、直接多步、Seq2Seq与多输出模型。
多步Seq2Seq
23
多站点预测
空间相关性建模、图神经网络（GNN）初步。
GNN空间
24
模型部署
模型导出（ONNX/TorchScript）、API服务搭建（Flask/FastAPI）。
ONNXFastAPI
25
实时预测系统
数据流处理、模型在线更新、延迟优化。
实时流处理
26
案例实战（一）：光伏功率预测
从数据清洗到模型部署全流程。
光伏全流程
27
案例实战（二）：风电功率预测
处理强波动性与间歇性。
风电波动性
28
案例实战（三）：负荷预测
结合节假日与气象因素的混合模型。
负荷混合模型
29
前沿趋势
物理信息神经网络（PINN）、基础模型在时序预测中的应用。
PINN前沿
30
课程总结与职业发展
知识体系回顾、学习路径建议、行业资源推荐。
总结职业