北京
电视机里的课程地图：光伏预测、深度学习、Python实战与案例配套
新课已上线 B 站课堂：《基于深度学习的光伏发电功率预测》。这门课面向新能源预测、AI+电力系统、毕业设计和科研入门需求，从业务场景、数据治理、模型方法到工程应用完整展开。
课程共 48 节，合计约 10.5 小时，配套讲义、课程地图、代码、数据包和项目材料。建议先看下方样片，再点击文末“阅读原文”进入 B 站课程页。
课程样片
为什么值得学
光伏功率预测不是单纯预测天气，而是要把辐照、温度、NWP、云图、电站实时数据和业务评价指标放在同一个框架下理解。课程会帮助学习者从“模型怎么跑”进一步走向“问题怎么定义、数据怎么处理、结果怎么解释”。
48节课程目录与时长
以下时长根据本地课程视频文件统计，总时长约 10.1 小时。
01课程导学：从问题到学习闭环05:11
02为什么光伏功率预测不是简单预测天气08:09
03高比例光伏并网为什么需要预测10:15
04超短期、短期、中期预测分别服务什么业务08:39
05光伏预测的三类核心挑战12:27
06光伏出力到底由哪些因素决定08:56
07卫星云图适合解决什么问题10:23
08NWP 数据怎么进入预测模型10:22
09地面气象观测与电站实时数据08:10
10多源数据为什么必须做时间与空间对齐10:22
11缺失、异常、归一化如何影响训练10:31
12时空适应插值怎么补齐气象数据10:06
13多模态融合：数据级、特征级、决策级11:20
14数据质量评价指标怎么读13:28
15数据质量如何改变 MAE、RMSE、MAPE13:35
16一个预测任务如何定义清楚09:05
17RNN：序列记忆的基本思想13:37
18LSTM：门控机制如何保留长依赖16:46
19GRU：更简洁的门控循环模型11:24
20CNN 为什么能做时间序列预测13:24
21TCN：膨胀卷积与长感受野16:48
22Transformer 类模型为什么适合长序列11:04
23Reformer：降低长序列计算成本13:23
24Informer：长序列预测的高效注意力13:21
25Autoformer：分解趋势和周期13:22
26多模型实验结果怎么比较16:49
27卫星云图辐照度预测的任务定义09:01
28ResUNet 架构如何做高分辨率建模16:37
29残差连接、短连接和差分放大器13:32
30卫星云图与多源数据如何时空对齐16:50
31滚动预测流程怎么设计13:24
32云团移动轨迹如何提取13:19
33轨迹预测与注意力机制如何结合13:19
34辐照度预测精度评估与工程应用13:31
35集中式电站超短期预测的数据预处理13:36
36空间注意力机制如何服务超短期预测16:38
37超短期预测流程与算例分析13:23
38短期预测场景和强相关特征提取13:31
39分时 LSTM 短期预测模型16:38
40中期预测：数据预处理与双重注意力13:20
41多时间尺度预测精度对比与优化11:23
42分布式光伏为什么需要 GNN16:35
43多层图结构与时空注意力16:40
44聚类、双重注意力和预测重构13:19
45集中式与分布式光伏如何关联建模11:18
46百万户级预测系统如何落地16:43
47当前技术瓶颈：极端天气、数据和泛化11:24
48气象大模型、极端天气与课程项目总结11:13
课程入口
点击左下角“阅读原文”进入 B 站课程页面，查看完整课程、样片和购买信息。
课程内容与购买方式以 B 站页面为准。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
