风电功率预测零基础入门指南

📚 共计 30 章节

风电功率预测概述

什么是风电功率预测、为什么需要预测、预测的基本原理与挑战。

气象基础与数据源

风速、风向、空气密度等关键气象要素；气象数据获取渠道（NWP、SCADA）。

气象数据源

数据预处理入门

数据清洗（缺失值、异常值处理）、时间对齐、重采样。

清洗预处理

特征工程基础

如何从原始数据中提取有效特征（滑动平均、差分、时间特征）。

评估指标与验证方法

MAE、RMSE、MAPE等指标；训练集/验证集/测试集划分。

线性回归模型

一元/多元线性回归原理、在风电预测中的应用、Python实战。

时间序列模型ARIMA

ARIMA原理、定阶方法、模型训练与预测。

机器学习模型入门

决策树、随机森林、XGBoost在风电预测中的应用对比。

深度学习模型初探

LSTM原理、为什么适合时序预测、简单LSTM模型搭建。

LSTM深度学习

模型集成与融合

简单平均、加权平均、Stacking等集成策略。

超参数调优

网格搜索、随机搜索、贝叶斯优化基础。

调优超参数

概率预测基础

分位数回归、区间预测、核密度估计简介。

短期预测与超短期预测

不同时间尺度的预测方法差异。

短期超短期

风电功率爬坡事件预测

爬坡定义、检测方法、预测模型。

多风电场联合预测

空间相关性利用、图神经网络简介。

数据不平衡问题

风电数据中的不平衡现象、采样与代价敏感方法。

不平衡采样

模型可解释性

SHAP、LIME在风电预测模型中的应用。

在线学习与自适应模型

数据流场景下的模型更新策略。

在线自适应

迁移学习在风电预测中的应用

源域与目标域、微调策略。

联邦学习与隐私保护

分布式风电数据下的模型训练。

强化学习在风电中的应用

储能调度与预测结合。

强化学习储能

物理信息神经网络（PINN）

融合物理方程的数据驱动方法。

生成对抗网络（GAN）在数据增强中的应用

生成逼真的风电场景。

注意力机制与Transformer

时间注意力、自注意力在预测中的应用。

注意力Transformer

图神经网络（GNN）在风电场拓扑建模中的应用

拓扑建模与空间依赖。

模型部署与MLOps

模型序列化、API封装、监控与回滚。

边缘计算与轻量化模型

在风机控制器上部署预测模型。

边缘轻量化

不确定性量化

蒙特卡洛Dropout、贝叶斯神经网络。

不确定性贝叶斯

风电功率预测标准与规范

IEC标准、行业实践。

综合实战项目

从数据获取到模型部署的完整流程。

实战全流程