# ============================================================
# Task: sdwpf_power_forecasting
# ============================================================
# 任务目标：
# - 使用 SDWPF 风机的历史 SCADA 数据的过去窗口，预测未来窗口的风机有功功率 Patv。
# - 这是典型的多传感器时间序列预测任务。
#
# 核心语义：
# - sample 定义"一条样本是什么"：一个决策时间 timestamp。
# - inputs 定义"模型能看到什么"：timestamp 之前的历史 SCADA 特征，
#   以及在预测时刻已知的未来协变量（天气特征）。
# - prediction 定义"模型要预测什么"：未来 horizon 内的 Patv 序列。
# - leakage 定义"哪些未来值不能进输入"：未来 Patv 和其他 SCADA 特征绝对不能作为输入。
# ============================================================

task:
  id: sdwpf_power_forecasting # 任务唯一 ID；建议与目录名保持一致，便于脚本自动发现。
  type: time_series_forecasting # 任务类型：时间序列预测。
  description: >
    Predict future active power (Patv) for all 134 wind turbines given
    the past hour of SCADA and weather observations.
    1 hour context (6 steps x 10min), 30 minute horizon (3 steps x 10min).

# 是否继承 ../general_task.yaml 中的通用处理规则。
inherit_general: true

sample:
  primary_key: timestamp

  # 标签存储模式。
  # index_reference: labels.csv 不逐个展开 (episode_id, timestamp, horizon) 标签，
  #                  而是用引用列指向底层时间序列文件。
  label_mode: index_reference

inputs:
  # ------------------------------------------------------------
  # 模型输入 1：历史 SCADA 特征。
  # ------------------------------------------------------------
  time_series:
    - fields:
        - Wspd
        - Wdir
        - Etmp
        - Itmp
        - Ndir
        - Pab1
        - Pab2
        - Pab3
        - Prtv
        - Patv
      source: sdwpf_scada # 指向 data_refs.time_series 中定义的底层 SDWPF h5 文件。

      window:
        length: 2016 # 历史窗口长度为 2016 个任务时间步。
        unit: 10min # 每步 10 分钟，因此模型看到过去 14 天。

      sampling:  # 可选配置
        native_rate: 10min # SDWPF 原始 h5 的采样粒度。
        task_rate: 10min # 本任务的输入粒度，与原始粒度一致。
        downsample_method: mean
        upsample_method: ffill

  # ------------------------------------------------------------
  # 模型输入 2：未来已知协变量（天气特征）。
  # ------------------------------------------------------------

    - fields:
        - T2m
        - Sp
        - RelH
        - Wspd_w
        - Wdir_w
        - Tp
      source: sdwpf_scada # 天气变量在预测时刻即可知道，允许覆盖未来 horizon。
      window:
        length: 2016
        unit: 10min

      sampling:
        native_rate: 10min
        task_rate: 10min
        downsample_method: mean
        upsample_method: ffill

  tabular_static:
    source: turbine_metadata # 指向 data_refs.tabular_static 中的静态属性表。

    fields:
      - x
      - y
      - elevation
      - mean_power
      - std_power
      - max_power
      - capacity_factor_pct
      - mean_wind_speed

  graph:
      source: turbine_proximity

prediction:
  field: Patv # 需要预测的目标变量。
  source: sdwpf_scada # 目标值来自同一个 SDWPF SCADA h5 文件。

  horizon:
    length: 24 # 预测未来 24 个时间步。
    unit: 10min # 每步 10 分钟，因此预测未来 4 小时。
    starts_after: timestamp # 未来窗口从 sample.timestamp 之后开始。

  stride: 24 # 相邻样本的 timestamp 间隔为 24 个任务时间步。

  label_storage:
    ref_column: target_series_ref # labels.csv 中指向底层目标序列的引用列。
    shape_column: target_tensor_shape # labels.csv 中记录目标张量形状的列，例如 [num_nodes, horizon, num_fields]。

leakage:

  observed_past_only_columns:
    - Wspd
    - Wdir
    - Etmp
    - Itmp
    - Ndir
    - Pab1
    - Pab2
    - Pab3
    - Prtv
    - Patv # SCADA 特征只能作为历史输入；未来 Patv 是预测目标，不能作为输入。

  known_future_columns:
    - T2m
    - Sp
    - RelH
    - Wspd_w
    - Wdir_w
    - Tp # 天气变量可在预测时刻提前知道，因此允许作为未来协变量。

  forbidden_input_columns:
    - Patv # 目标列不能直接作为静态输入特征。


data_refs:
  time_series:
    sdwpf_scada:

  tabular_static:
    turbine_metadata:
      file: SDWPF/input_multimodal/meta_features.csv
      id_column: episode_id

  graph:
    turbine_proximity:
      file: SDWPF/input_multimodal/node_level_task_graphs/turbine_proximity/turbine_proximity.csv