01
风功率预测概述
为什么需要风功率预测？预测的难点与挑战，课程整体框架介绍。
背景导论
02
数据采集与预处理
SCADA系统介绍，数据清洗（异常值、缺失值处理），数据标准化与归一化。
数据清洗
03
特征工程基础
风速、风向、温度、气压等气象特征分析，时间特征提取（小时、季节）。
特征气象
04
探索性数据分析（EDA）
数据可视化（散点图、箱线图、相关性热力图），发现数据规律与异常。
可视化EDA
05
经典预测模型
物理模型（NWP）简介，统计模型（ARIMA、卡尔曼滤波）原理与适用场景。
统计NWP
06
机器学习模型（上）
线性回归、决策树、随机森林在风功率预测中的应用。
回归树模型
07
机器学习模型（下）
支持向量机（SVM）、K近邻（KNN）、梯度提升树（XGBoost/LightGBM）。
SVMBoosting
08
深度学习模型（上）
多层感知机（MLP）与循环神经网络（RNN）基础。
MLPRNN
09
深度学习模型（下）
长短期记忆网络（LSTM）、门控循环单元（GRU）在时序预测中的优势。
LSTMGRU
10
模型训练与验证
训练集/验证集/测试集划分，交叉验证，过拟合与欠拟合诊断。
验证过拟合
11
损失函数与优化器
均方误差（MSE）、平均绝对误差（MAE），Adam、SGD等优化器选择。
损失优化
12
超参数调优
网格搜索、随机搜索、贝叶斯优化，学习率、隐藏层大小等调参实战。
调参搜索
13
模型评估指标
RMSE、MAE、MAPE、R²，如何解读这些指标。
评估指标
14
误差分析基础
预测误差的统计特性，误差分布分析，系统性误差与随机误差。
误差统计
15
误差修正方法（上）
残差分析，基于ARIMA的误差序列建模与修正。
残差ARIMA
16
误差修正方法（下）
基于机器学习的误差修正（如用XGBoost预测残差），集成修正策略。
XGBoost集成
17
组合预测模型
加权平均法、Stacking集成，将多个模型结果融合提升精度。
融合Stacking
18
概率预测
分位数回归、核密度估计，输出预测区间而非单点值。
区间概率
19
极端事件预测
低风速、高风速、切变、湍流等特殊工况下的预测与修正。
极端湍流
20
实时预测与滚动更新
滑动窗口策略，模型在线更新与自适应。
实时滚动
21
多风电场联合预测
空间相关性利用，图神经网络（GNN）初步应用。
GNN空间
22
模型部署与工程化
ONNX模型导出，Flask/FastAPI搭建预测服务，Docker容器化。
部署Docker
23
案例实战（一）
基于公开数据集（如GEFCom2014）搭建基线模型。
基线GEFCom
24
案例实战（二）
特征工程与模型调优，对比不同模型效果。
调优对比
25
案例实战（三）
误差分析与修正，最终模型评估与报告生成。
报告评估
26
模型可解释性
SHAP值、特征重要性分析，让模型不再黑箱。
SHAP可解释
27
数据质量控制
传感器故障检测，数据补全技术（矩阵分解、GAN插补）。
质量补全
28
最新研究进展
Transformer在时序预测中的应用，物理信息神经网络（PINN）。
TransformerPINN
29
行业标准与规范
电网对风功率预测的要求，考核指标（如合格率、精度）。
标准电网
30
课程总结与展望
知识体系回顾，未来趋势（数字孪生、AI+物理融合），推荐学习资源。
总结趋势