在风电并网规模持续扩大的背景下如何精准预测风电功率对于电网调度、电力市场交易和风电场运营都至关重要。传统基于物理模型和统计方法的预测精度已接近瓶颈而深度学习凭借其强大的非线性拟合能力为这一难题提供了新的解决方案。本文将手把手带你从零搭建一个完整的“基于深度学习的风电功率预测分析系统”涵盖从数据获取、预处理、模型构建LSTM、GRU、Attention机制、训练优化到可视化分析的全流程。无论你是希望入门深度学习实战的学生还是寻求将AI技术应用于能源领域的开发者都能通过本文获得一套可直接复用的代码框架和工程经验。1. 风电功率预测背景与核心概念1.1 为什么需要风电功率预测风力发电具有显著的间歇性、波动性和不确定性。一阵风来发电量陡增风停了出力骤降。这种特性给电力系统的安全、稳定、经济运行带来了巨大挑战。精准的功率预测可以帮助电网调度部门提前安排备用容量减少弃风提高风电消纳能力同时也能帮助风电场参与电力市场竞价制定更优的发电计划提升经济效益。因此风电功率预测是智能电网和新能源领域的一项关键技术。1.2 深度学习在时序预测中的优势传统的预测方法主要包括物理方法基于数值天气预报NWP和风机物理特性和统计方法如时间序列分析、回归模型。物理方法对模型和输入数据要求高统计方法难以捕捉复杂的非线性关系。 深度学习特别是循环神经网络RNN及其变体LSTM长短期记忆网络和GRU门控循环单元天生适合处理时序数据。它们能够记忆历史信息捕捉数据中长期的依赖关系和非线性模式。此外Attention注意力机制可以让模型在预测时更关注历史序列中对当前预测最重要的部分从而进一步提升精度。本项目将融合这些技术构建一个高性能的预测模型。1.3 系统核心功能与流程我们构建的系统将是一个端到端的解决方案主要流程如下数据采集与预处理获取历史风电功率数据、气象数据风速、风向、温度等并进行清洗、归一化、构建时序样本。模型构建与训练搭建深度学习模型如LSTM、LSTMAttention划分训练集、验证集和测试集进行模型训练与超参数调优。预测与评估使用训练好的模型对未来时段的风电功率进行预测并采用均方根误差RMSE、平均绝对误差MAE等指标评估预测性能。结果可视化与分析将预测结果与实际值进行对比可视化并可能进行误差分析、不确定性量化等。2. 环境准备与项目结构2.1 软硬件环境说明操作系统Windows 10/11 Linux (Ubuntu 20.04) 或 macOS 均可。本文示例代码环境为 Windows。Python版本3.8 或 3.9与深度学习框架兼容性较好。深度学习框架PyTorch 或 TensorFlow/Keras。本文选择PyTorch因其动态图特性更灵活便于研究和调试。关键Python库torch: 深度学习框架核心。numpy,pandas: 数据处理。scikit-learn: 用于数据划分、评估指标。matplotlib,seaborn: 结果可视化。硬件建议虽然可以在CPU上训练但使用GPUNVIDIA CUDA能极大加速训练过程。本项目模型规模适中消费级GPU如GTX 1660 Ti, RTX 3060即可满足需求。2.2 项目目录结构在开始编码前建议建立清晰的项目目录这对工程化管理至关重要。wind_power_forecast/ │ ├── data/ # 存放数据 │ ├── raw/ # 原始数据 │ └── processed/ # 处理后的数据 │ ├── models/ # 模型定义文件 │ ├── __init__.py │ ├── lstm_model.py # LSTM模型类 │ └── lstm_attn_model.py # 带Attention的LSTM模型类 │ ├── utils/ # 工具函数 │ ├── __init__.py │ ├── data_loader.py # 数据加载与预处理 │ └── metrics.py # 评估指标计算 │ ├── config.py # 配置文件超参数、路径等 ├── train.py # 模型训练脚本 ├── predict.py # 模型预测脚本 ├── evaluate.py # 模型评估脚本 ├── visualize.py # 结果可视化脚本 │ └── requirements.txt # 项目依赖包列表2.3 环境搭建步骤创建虚拟环境推荐避免包版本冲突。conda create -n wind_forecast python3.9 conda activate wind_forecast安装PyTorch访问 PyTorch官网 根据你的CUDA版本选择安装命令。例如无GPU或CUDA 11.7# CUDA 11.7 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 # CPU only pip install torch torchvision torchaudio安装其他依赖pip install numpy pandas scikit-learn matplotlib seaborn jupyter验证安装import torch print(torch.__version__) print(torch.cuda.is_available()) # 检查GPU是否可用3. 数据准备与预处理详解高质量的数据是模型成功的基石。风电功率数据通常包含时间戳、实际功率值以及相关的特征如风速、风向、温度、气压等。3.1 数据加载与探索假设我们有一个wind_data.csv文件包含以下字段timestamp,power,wind_speed,wind_direction,temperature。# utils/data_loader.py import pandas as pd import numpy as np def load_and_explore_data(file_path): 加载数据并进行初步探索 df pd.read_csv(file_path) print(f数据形状: {df.shape}) print(df.head()) print(df.info()) print(df.describe()) # 检查缺失值 print(f缺失值统计:\n{df.isnull().sum()}) # 将时间戳列转换为datetime类型并设为索引 df[timestamp] pd.to_datetime(df[timestamp]) df.set_index(timestamp, inplaceTrue) return df if __name__ __main__: data_path ../data/raw/wind_data.csv df load_and_explore_data(data_path)3.2 数据清洗与特征工程处理缺失值对于时间序列常用前后值填充或插值法。# 向前填充然后用向后填充补全开头可能存在的NaN df.fillna(methodffill, inplaceTrue) df.fillna(methodbfill, inplaceTrue)处理异常值风电功率有理论最大值额定功率明显超出范围的值可能是异常。可以使用分位数或物理范围进行截断。# 假设额定功率为 1500 kW rated_power 1500 df[power] df[power].clip(upperrated_power) # 或使用统计方法如去除3个标准差以外的值 mean, std df[power].mean(), df[power].std() df df[(df[power] mean - 3*std) (df[power] mean 3*std)]特征工程时间特征提取小时、星期几、月份、是否周末等能帮助模型学习周期性。df[hour] df.index.hour df[day_of_week] df.index.dayofweek df[month] df.index.month df[is_weekend] df[day_of_week].apply(lambda x: 1 if x 5 else 0)滞后特征过去几个时间点的功率值是最重要的特征。滑动统计特征过去窗口内的均值、标准差等。3.3 数据归一化与序列构建深度学习模型对输入数据的尺度敏感归一化能加速收敛并提高性能。我们使用MinMaxScaler将每个特征缩放到[0,1]区间。关键步骤构建监督学习样本。对于时序预测我们需要用过去seq_len个时间步的数据特征来预测未来pred_len个时间步的功率值。# utils/data_loader.py from sklearn.preprocessing import MinMaxScaler def create_sequences(data, features, target, seq_len, pred_len): 将时序数据转换为监督学习所需的序列样本 Args: data: DataFrame, 处理后的数据 features: list, 特征列名 target: str, 目标列名如‘power’ seq_len: int, 输入序列长度看多远的历史 pred_len: int, 输出序列长度预测多远的未来 Returns: X, y: 特征序列和目标序列的数组 scaler MinMaxScaler() scaled_data scaler.fit_transform(data[features [target]]) X, y [], [] for i in range(len(scaled_data) - seq_len - pred_len 1): # 输入从i到iseq_len的所有特征 X.append(scaled_data[i:iseq_len, :len(features)]) # 输出从iseq_len开始的pred_len个时间步的目标值功率 y.append(scaled_data[iseq_len:iseq_lenpred_len, -1]) # -1 是target列 return np.array(X), np.array(y), scaler # 示例调用 features [wind_speed, wind_direction, temperature, hour, day_of_week] target power seq_len 24 * 3 # 用过去3天的数据假设每小时一个点 pred_len 24 # 预测未来24小时 X, y, scaler create_sequences(df, features, target, seq_len, pred_len) print(f样本数量: {X.shape[0]}, 输入形状: {X.shape}, 输出形状: {y.shape})4. 深度学习模型构建我们将构建两个模型进行对比基础LSTM模型和引入Attention机制的LSTM模型。4.1 基础LSTM模型LSTM通过“门”结构遗忘门、输入门、输出门来控制信息的流动有效缓解了传统RNN的梯度消失问题。# models/lstm_model.py import torch import torch.nn as nn class LSTMForecast(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size, dropout0.2): Args: input_size: 每个时间步输入的特征数 hidden_size: LSTM隐藏层神经元数量 num_layers: LSTM堆叠的层数 output_size: 要预测的未来时间步数 (pred_len) dropout: Dropout率防止过拟合 super(LSTMForecast, self).__init__() self.hidden_size hidden_size self.num_layers num_layers # 定义LSTM层 self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue, dropoutdropout if num_layers1 else 0) # 定义全连接输出层 self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x shape: (batch_size, seq_len, input_size) batch_size x.size(0) # 初始化隐藏状态和细胞状态 h0 torch.zeros(self.num_layers, batch_size, self.hidden_size).to(x.device) c0 torch.zeros(self.num_layers, batch_size, self.hidden_size).to(x.device) # LSTM前向传播 # out: (batch_size, seq_len, hidden_size) out, _ self.lstm(x, (h0, c0)) # 我们只取最后一个时间步的隐藏状态用于预测未来多个点 # 也可以取所有时间步的out通过另一个全连接层映射这里用最后一步 out self.fc(out[:, -1, :]) # shape: (batch_size, output_size) return out4.2 加入Attention机制的LSTM模型Attention机制允许模型在解码预测时动态地关注输入序列中不同部分的信息而不是仅仅依赖最后一步的隐藏状态。# models/lstm_attn_model.py import torch import torch.nn as nn import torch.nn.functional as F class LSTMAttentionForecast(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size, dropout0.2): super(LSTMAttentionForecast, self).__init__() self.hidden_size hidden_size self.num_layers num_layers self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue, dropoutdropout if num_layers1 else 0) # Attention层计算每个时间步的注意力权重 self.attention nn.Sequential( nn.Linear(hidden_size, hidden_size), nn.Tanh(), nn.Linear(hidden_size, 1) ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x shape: (batch_size, seq_len, input_size) batch_size, seq_len, _ x.size() h0 torch.zeros(self.num_layers, batch_size, self.hidden_size).to(x.device) c0 torch.zeros(self.num_layers, batch_size, self.hidden_size).to(x.device) # LSTM前向传播 lstm_out, _ self.lstm(x, (h0, c0)) # lstm_out: (batch_size, seq_len, hidden_size) # 计算注意力权重 # 对每个时间步的隐藏状态计算一个注意力分数 attn_weights self.attention(lstm_out) # (batch_size, seq_len, 1) attn_weights F.softmax(attn_weights, dim1) # 归一化 # 计算上下文向量加权求和 context torch.sum(attn_weights * lstm_out, dim1) # (batch_size, hidden_size) # 通过全连接层输出预测 out self.fc(context) # (batch_size, output_size) return out, attn_weights.squeeze(-1) # 同时返回注意力权重用于分析5. 模型训练、评估与预测全流程5.1 配置文件将超参数集中管理便于调优和实验管理。# config.py class Config: # 数据参数 data_path ./data/raw/wind_data.csv seq_len 72 # 输入序列长度3天*24小时 pred_len 24 # 预测序列长度未来24小时 features [wind_speed, wind_direction, temperature, hour, day_of_week] target power train_ratio 0.7 val_ratio 0.15 # test_ratio 1 - train_ratio - val_ratio # 模型参数 input_size len(features) # 根据特征数量自动计算 hidden_size 128 num_layers 2 output_size pred_len dropout 0.3 model_type lstm_attn # lstm 或 lstm_attn # 训练参数 batch_size 64 learning_rate 0.001 num_epochs 100 device torch.device(cuda if torch.cuda.is_available() else cpu) # 路径参数 model_save_path f./checkpoints/best_{model_type}_model.pth5.2 训练脚本训练过程包括数据加载、模型初始化、损失函数和优化器定义、训练循环、验证以及模型保存。# train.py import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import numpy as np from sklearn.model_selection import train_test_split import warnings warnings.filterwarnings(ignore) from config import Config from utils.data_loader import load_and_explore_data, create_sequences from models.lstm_model import LSTMForecast from models.lstm_attn_model import LSTMAttentionForecast def main(): cfg Config() # 1. 加载并预处理数据 df load_and_explore_data(cfg.data_path) X, y, scaler create_sequences(df, cfg.features, cfg.target, cfg.seq_len, cfg.pred_len) # 2. 划分训练集、验证集、测试集 X_train, X_temp, y_train, y_temp train_test_split(X, y, train_sizecfg.train_ratio, shuffleFalse) # 时序数据不打乱 X_val, X_test, y_val, y_test train_test_split(X_temp, y_temp, train_sizecfg.val_ratio/(1-cfg.train_ratio), shuffleFalse) # 转换为PyTorch张量 X_train torch.FloatTensor(X_train) y_train torch.FloatTensor(y_train) X_val torch.FloatTensor(X_val) y_val torch.FloatTensor(y_val) X_test torch.FloatTensor(X_test) y_test torch.FloatTensor(y_test) # 创建DataLoader train_dataset TensorDataset(X_train, y_train) val_dataset TensorDataset(X_val, y_val) train_loader DataLoader(train_dataset, batch_sizecfg.batch_size, shuffleTrue) # 训练时可打乱 val_loader DataLoader(val_dataset, batch_sizecfg.batch_size, shuffleFalse) # 3. 初始化模型、损失函数、优化器 if cfg.model_type lstm: model LSTMForecast(cfg.input_size, cfg.hidden_size, cfg.num_layers, cfg.output_size, cfg.dropout) elif cfg.model_type lstm_attn: model LSTMAttentionForecast(cfg.input_size, cfg.hidden_size, cfg.num_layers, cfg.output_size, cfg.dropout) else: raise ValueError(fUnsupported model type: {cfg.model_type}) model.to(cfg.device) criterion nn.MSELoss() # 回归任务常用均方误差损失 optimizer optim.Adam(model.parameters(), lrcfg.learning_rate) scheduler optim.lr_scheduler.ReduceLROnPlateau(optimizer, modemin, patience5, factor0.5) # 4. 训练循环 best_val_loss float(inf) train_losses, val_losses [], [] for epoch in range(cfg.num_epochs): model.train() train_loss 0.0 for batch_x, batch_y in train_loader: batch_x, batch_y batch_x.to(cfg.device), batch_y.to(cfg.device) optimizer.zero_grad() if cfg.model_type lstm_attn: outputs, _ model(batch_x) else: outputs model(batch_x) loss criterion(outputs, batch_y) loss.backward() optimizer.step() train_loss loss.item() * batch_x.size(0) avg_train_loss train_loss / len(train_loader.dataset) train_losses.append(avg_train_loss) # 验证 model.eval() val_loss 0.0 with torch.no_grad(): for batch_x, batch_y in val_loader: batch_x, batch_y batch_x.to(cfg.device), batch_y.to(cfg.device) if cfg.model_type lstm_attn: outputs, _ model(batch_x) else: outputs model(batch_x) loss criterion(outputs, batch_y) val_loss loss.item() * batch_x.size(0) avg_val_loss val_loss / len(val_loader.dataset) val_losses.append(avg_val_loss) scheduler.step(avg_val_loss) # 保存最佳模型 if avg_val_loss best_val_loss: best_val_loss avg_val_loss torch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), val_loss: best_val_loss, scaler: scaler, # 保存归一化器预测时需用 config: cfg }, cfg.model_save_path) print(fEpoch [{epoch1}/{cfg.num_epochs}], 保存最佳模型验证损失: {avg_val_loss:.6f}) if (epoch1) % 10 0: print(fEpoch [{epoch1}/{cfg.num_epochs}], 训练损失: {avg_train_loss:.6f}, 验证损失: {avg_val_loss:.6f}) print(f训练完成最佳验证损失: {best_val_loss:.6f}) # 可以在这里绘制训练损失和验证损失曲线 # plot_losses(train_losses, val_losses) if __name__ __main__: main()5.3 预测与评估脚本加载训练好的模型在测试集上进行预测并计算评估指标。# predict.py import torch import numpy as np from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score import matplotlib.pyplot as plt from config import Config from models.lstm_model import LSTMForecast from models.lstm_attn_model import LSTMAttentionForecast from utils.data_loader import load_and_explore_data, create_sequences def evaluate_model(): cfg Config() # 加载数据与训练时一致 df load_and_explore_data(cfg.data_path) X, y, scaler create_sequences(df, cfg.features, cfg.target, cfg.seq_len, cfg.pred_len) # 这里为了演示我们简单取最后一部分作为测试集。实际应与训练集划分一致。 test_size int(0.15 * len(X)) X_test X[-test_size:] y_test y[-test_size:] X_test_tensor torch.FloatTensor(X_test).to(cfg.device) # 加载模型 checkpoint torch.load(cfg.model_save_path, map_locationcfg.device) if cfg.model_type lstm: model LSTMForecast(cfg.input_size, cfg.hidden_size, cfg.num_layers, cfg.output_size, cfg.dropout) else: model LSTMAttentionForecast(cfg.input_size, cfg.hidden_size, cfg.num_layers, cfg.output_size, cfg.dropout) model.load_state_dict(checkpoint[model_state_dict]) model.to(cfg.device) model.eval() # 进行预测 with torch.no_grad(): if cfg.model_type lstm_attn: predictions, attn_weights model(X_test_tensor) else: predictions model(X_test_tensor) # 将预测结果反归一化只反归一化功率值 # 注意scaler在训练时是对所有特征featurestarget一起拟合的。 # 我们需要构建一个与原始数据形状匹配的数组来反归一化。 # 简化方法创建一个全零数组将预测值放到target列然后用scaler.inverse_transform dummy_features np.zeros((predictions.shape[0], predictions.shape[1], len(cfg.features))) # 将预测的功率值拼接到特征后面 pred_for_inverse np.concatenate([dummy_features, predictions.cpu().numpy().reshape(-1, cfg.pred_len, 1)], axis-1) # 需要将三维数组reshape成2D才能反归一化 pred_2d pred_for_inverse.reshape(-1, len(cfg.features)1) y_pred_actual scaler.inverse_transform(pred_2d)[:, -1].reshape(predictions.shape[0], cfg.pred_len) # 同样处理真实值 dummy_y np.zeros((y_test.shape[0], y_test.shape[1], len(cfg.features))) y_for_inverse np.concatenate([dummy_y, y_test.reshape(-1, cfg.pred_len, 1)], axis-1) y_2d y_for_inverse.reshape(-1, len(cfg.features)1) y_test_actual scaler.inverse_transform(y_2d)[:, -1].reshape(y_test.shape[0], cfg.pred_len) # 计算评估指标 (对最后一个预测点或者对所有预测点平均) # 这里计算所有预测时间步的平均指标 rmse np.sqrt(mean_squared_error(y_test_actual.flatten(), y_pred_actual.flatten())) mae mean_absolute_error(y_test_actual.flatten(), y_pred_actual.flatten()) r2 r2_score(y_test_actual.flatten(), y_pred_actual.flatten()) print(f测试集评估结果 ({cfg.model_type.upper()}):) print(fRMSE: {rmse:.2f} kW) print(fMAE: {mae:.2f} kW) print(fR² Score: {r2:.4f}) # 可视化第一个测试样本的预测结果 sample_idx 0 plt.figure(figsize(12, 6)) plt.plot(range(cfg.pred_len), y_test_actual[sample_idx], labelActual Power, markero) plt.plot(range(cfg.pred_len), y_pred_actual[sample_idx], labelPredicted Power, markers) plt.xlabel(Future Time Steps (Hour)) plt.ylabel(Wind Power (kW)) plt.title(fWind Power Forecasting - {cfg.model_type.upper()} Model) plt.legend() plt.grid(True) plt.savefig(f./results/forecast_sample_{cfg.model_type}.png) plt.show() # 如果需要可以绘制注意力权重热力图 (仅限Attention模型) if cfg.model_type lstm_attn and attn_weights is not None: plt.figure(figsize(10, 8)) plt.imshow(attn_weights[sample_idx].cpu().numpy().reshape(-1, 1), cmaphot, aspectauto) plt.colorbar(labelAttention Weight) plt.xlabel(Output Time Step) plt.ylabel(Input Sequence Time Step) plt.title(Attention Weights Heatmap (Sample)) plt.savefig(./results/attention_heatmap.png) plt.show() if __name__ __main__: evaluate_model()6. 常见问题与排查思路在搭建和训练过程中你可能会遇到以下典型问题问题现象可能原因排查与解决思路训练损失不下降或为NaN1. 学习率过高。2. 数据未归一化或存在异常值。3. 梯度爆炸。1. 降低学习率如从0.001调到0.0001使用学习率调度器。2. 检查数据预处理流程确保进行了有效的清洗和归一化。3. 使用梯度裁剪torch.nn.utils.clip_grad_norm_。验证损失远高于训练损失模型过拟合。1. 增加Dropout比例。2. 增加L2正则化权重衰减。3. 获取更多训练数据或使用数据增强如添加噪声。4. 简化模型结构减少层数或隐藏单元。预测结果是一条直线或常数1. 模型能力不足太浅。2. 损失函数或任务定义有误。3. 目标变量在数据中方差过小。1. 尝试加深网络或增加隐藏单元。2. 确认输入输出维度是否正确损失函数是否适合回归任务MSE。3. 检查目标变量功率的分布确保有足够的变化。GPU内存溢出CUDA out of memory1. Batch Size过大。2. 序列长度(seq_len)过长。3. 模型参数量过大。1. 减小batch_size。2. 尝试缩短输入序列长度。3. 使用梯度累积多次小批量前向传播后再更新权重。评估指标RMSE/MAE值非常大反归一化错误。仔细检查predict.py中的反归一化逻辑确保用于inverse_transform的数组形状和特征顺序与训练时完全一致。建议将反归一化逻辑封装成函数复用。7. 最佳实践与工程建议7.1 数据层面数据质量至上投入足够时间进行数据探索、清洗和验证。风电数据常包含由于维护、故障、限电导致的零值或恒值需要合理处理。特征选择并非特征越多越好。使用相关性分析如皮尔逊系数、特征重要性排序如基于树模型或递归特征消除RFE来选择对预测最有用的特征。交叉验证对于时序数据避免使用随机划分。使用时间序列交叉验证如TimeSeriesSplit确保验证集和测试集的时间都在训练集之后以模拟真实预测场景。7.2 模型层面模型集成不要只依赖单一模型。可以训练LSTM、GRU、TCN时序卷积网络甚至XGBoost等不同模型将它们的预测结果进行平均或加权平均集成学习往往能提升鲁棒性和精度。多步预测策略直接多步预测本文采用的方法一个模型直接输出未来多个时间点的预测。简单但长期预测误差可能累积。递归多步预测模型只预测下一个时间点然后将预测值作为输入递归地预测后续点。容易导致误差累积。序列到序列Seq2Seq使用编码器-解码器架构更适合复杂的多步预测任务。不确定性量化对于电网调度知道预测的不确定性置信区间和确定性预测值同样重要。可以研究贝叶斯神经网络或使用分位数回归来估计预测区间。7.3 工程部署模型服务化训练好的模型可以通过Flask/FastAPI封装成REST API供其他系统如SCADA、能量管理系统调用。自动化Pipeline构建从数据自动采集、预处理、模型重训练到预测发布的完整自动化流水线如使用Apache Airflow。模型监控与更新上线后需持续监控预测性能如在线RMSE。当性能下降到一定阈值时触发模型用新数据重新训练在线学习或定期全量训练。7.4 性能优化使用更高效的架构可以尝试Transformer或Informer等专门为长时序预测设计的模型它们在捕捉长期依赖关系上可能更有优势。超参数调优使用网格搜索Grid Search、随机搜索Random Search或贝叶斯优化Bayesian Optimization等工具系统性地寻找seq_len,hidden_size,learning_rate,batch_size等超参数的最优组合。通过以上步骤你不仅完成了一个风电功率预测模型的搭建更掌握了一套处理时序预测问题的通用方法论。在实际项目中还需要与领域专家风电场工程师、气象学家紧密合作理解业务逻辑才能让模型发挥最大价值。