第二章：核心技能树
说实话，很多刚入行的朋友问我：“风电AI到底要学什么？”
我的回答很简单：编程、数学、领域知识，这三样缺一不可。就像盖房子，编程是砖瓦，数学是钢筋，领域知识是地基。我今天就跟你聊聊这三块到底怎么搭。
2.1 编程基础：Python 与 C++
我个人习惯把Python当作主力工具。为什么？因为风电AI项目里，数据处理、模型训练、快速验证，Python的生态太强了。你想想看，NumPy、Pandas、Scikit-learn、PyTorch，这些库几乎覆盖了AI全流程。
核心要点：
- Python：必须掌握NumPy（矩阵运算）、Pandas（时序数据处理）、Matplotlib（可视化）。我建议你至少能手写一个简单的BP神经网络，不用框架那种。
- C++：主要用于边缘部署和实时控制。比如风机主控系统里跑AI模型，Python太慢，得用C++重写推理代码。
我记得有一次做风机叶片结冰检测，模型在Python里跑得挺好，一上边缘设备就卡成PPT。后来用C++重写了推理部分，延迟从200ms降到了15ms。嗯，这就是C++的价值。
我的建议：先精通Python，再学C++。别一上来就啃C++，容易劝退。Python能帮你快速验证想法，这在风电AI里特别重要。
2.2 数学基础：微积分、线性代数、概率论
数学这东西，说白了就是AI的“内功”。你调参调不明白，往往不是代码问题，是数学没吃透。
| 数学分支 | 在风电AI中的应用 | 我踩过的坑 |
|---|---|---|
| 微积分 | 梯度下降、反向传播、优化算法 | 有一次学习率设太大，模型直接发散，损失函数飞上天 |
| 线性代数 | 矩阵运算、特征分解、PCA降维 | 处理100台风机数据时，矩阵维度搞错了，结果全乱套 |
| 概率论 | 贝叶斯推断、置信区间、异常检测 | 做故障预测时，没考虑先验概率，模型准确率惨不忍睹 |
为什么会这样？因为风电数据本质上是时序的、高维的、带噪声的。没有线性代数，你连数据都组织不好；没有微积分，你连模型怎么收敛都搞不清；没有概率论，你连预测结果的可信度都没法评估。
避坑指南：我曾经以为数学差不多就行，结果做风机功率曲线建模时，因为不理解高斯过程回归的核函数，模型拟合得一塌糊涂。后来老老实实补了概率论，才把问题解决。
2.3 领域知识：空气动力学与电气工程
这是风电AI最特别的地方。纯AI工程师不懂风机，纯风机工程师不懂AI，而你要做那个“两栖动物”。
空气动力学：你得知道叶片为什么转，功率曲线长什么样，湍流怎么影响发电量。我做过一个项目，用AI预测叶片载荷，结果模型学到的全是噪声。后来发现是没考虑风速的湍流强度——这就是领域知识的重要性。
电气工程：变流器、发电机、电网接口，这些你得懂个大概。有一次做变桨系统故障诊断，模型输出总是不对，后来发现是没把电网电压波动这个特征加进去。嗯，电气知识救了那个项目。
我的经验：领域知识不需要你成为专家，但至少要能跟风机工程师聊到一块去。我建议你花两周时间，把风机的基本结构、工作原理、常见故障类型过一遍。这比多学两个AI模型有用得多。
2.4 知识体系总览
下面这张图是我自己整理的，你可以把它当作学习路线图。
你看，这三块技能最终要汇聚到一起。编程让你能实现，数学让你能理解，领域知识让你能落地。缺了任何一块，你做的AI模型都只是空中楼阁。
学习顺序建议：先搞定Python和基础数学，然后边做项目边补领域知识。别想着全学完再动手，风电AI这行，实战才是最好的老师。