北京
電視機里的課程地圖：光伏預測、深度學習、Python實戰與案例配套
新課已上線 B 站課堂：《基于深度學習的光伏發電功率預測》。這門課面向新能源預測、AI+電力系統、畢業設計和科研入門需求，從業務場景、數據治理、模型方法到工程應用完整展開。
課程共 48 節，合計約 10.5 小時，配套講義、課程地圖、代碼、數據包和項目材料。建議先看下方樣片，再點擊文末“閱讀原文”進入 B 站課程頁。
課程樣片
為什么值得學
光伏功率預測不是單純預測天氣，而是要把輻照、溫度、NWP、云圖、電站實時數據和業務評價指標放在同一個框架下理解。課程會幫助學習者從“模型怎么跑”進一步走向“問題怎么定義、數據怎么處理、結果怎么解釋”。
48節課程目錄與時長
以下時長根據本地課程視頻文件統計，總時長約 10.1 小時。
01課程導學：從問題到學習閉環05:11
02為什么光伏功率預測不是簡單預測天氣08:09
03高比例光伏并網為什么需要預測10:15
04超短期、短期、中期預測分別服務什么業務08:39
05光伏預測的三類核心挑戰12:27
06光伏出力到底由哪些因素決定08:56
07衛星云圖適合解決什么問題10:23
08NWP 數據怎么進入預測模型10:22
09地面氣象觀測與電站實時數據08:10
10多源數據為什么必須做時間與空間對齊10:22
11缺失、異常、歸一化如何影響訓練10:31
12時空適應插值怎么補齊氣象數據10:06
13多模態融合：數據級、特征級、決策級11:20
14數據質量評價指標怎么讀13:28
15數據質量如何改變 MAE、RMSE、MAPE13:35
16一個預測任務如何定義清楚09:05
17RNN：序列記憶的基本思想13:37
18LSTM：門控機制如何保留長依賴16:46
19GRU：更簡潔的門控循環模型11:24
20CNN 為什么能做時間序列預測13:24
21TCN：膨脹卷積與長感受野16:48
22Transformer 類模型為什么適合長序列11:04
23Reformer：降低長序列計算成本13:23
24Informer：長序列預測的高效注意力13:21
25Autoformer：分解趨勢和周期13:22
26多模型實驗結果怎么比較16:49
27衛星云圖輻照度預測的任務定義09:01
28ResUNet 架構如何做高分辨率建模16:37
29殘差連接、短連接和差分放大器13:32
30衛星云圖與多源數據如何時空對齊16:50
31滾動預測流程怎么設計13:24
32云團移動軌跡如何提取13:19
33軌跡預測與注意力機制如何結合13:19
34輻照度預測精度評估與工程應用13:31
35集中式電站超短期預測的數據預處理13:36
36空間注意力機制如何服務超短期預測16:38
37超短期預測流程與算例分析13:23
38短期預測場景和強相關特征提取13:31
39分時 LSTM 短期預測模型16:38
40中期預測：數據預處理與雙重注意力13:20
41多時間尺度預測精度對比與優化11:23
42分布式光伏為什么需要 GNN16:35
43多層圖結構與時空注意力16:40
44聚類、雙重注意力和預測重構13:19
45集中式與分布式光伏如何關聯建模11:18
46百萬戶級預測系統如何落地16:43
47當前技術瓶頸：極端天氣、數據和泛化11:24
48氣象大模型、極端天氣與課程項目總結11:13
課程入口
點擊左下角“閱讀原文”進入 B 站課程頁面，查看完整課程、樣片和購買信息。
課程內容與購買方式以 B 站頁面為準。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
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.
