// 在现场功率预测机器上：
// 使用风电数据测试，1年历史数据训练XGBoost模型，500轮训练量，耗时160~200秒，

// 使用风电测试数据，半年测试数据训练XGBoost模型，1000轮训练量，耗时280~300秒，

// 使用风电测试数据，一个月测试数据训练XGBoost模型，1000轮训练量，耗时约30秒，

// 使用风电测试数据，一个月测试数据训练XGBoost模型，500轮训练量，耗时约25秒，

// 使用风电测试数据，一个月测试数据训练XGBoost模型，200轮训练量，耗时约18秒，

// 不符合超短期预测时效性要求（10秒以内），且很耗内存（据网上说），故弃用此模型


// 在功率预测现场机器上，
// 使用风电测试数据，一个月历史数据训练lightGBM模型，1000轮训练量，耗时约46秒，
// 使用风电测试数据，一个月历史数据训练lightGBM模型，500轮训练量，耗时约22秒，
// 使用风电测试数据，一个月历史数据训练lightGBM模型，200轮训练量，耗时约10秒，
// 使用风电测试数据，一个月历史数据训练lightGBM模型，100轮训练量，耗时约6秒，
// 使用风电测试数据，3个月历史数据训练lightGBM模型，200轮训练量，耗时约11秒，
// 使用风电测试数据，3个月历史数据训练lightGBM模型，100轮训练量，耗时约6秒，
// 故：为符合超短期预测时效性要求（10秒以内），
// 可选择1~3个月数据，100~200轮训练量，以lightGBM模型实时训练模型并预测