Apr, 2023

透明且鲁棒的基于数据的风力涡轮机功率曲线模型

PDF
TL;DR该论文引入了可解释的人工智能框架，通过 Shapley 值和最新的可解释 AI for 回归方法，从 SCADA 数据中学习风力发电机功率曲线模型。研究结果表明，学习策略可以更好地指示模型的鲁棒性，比验证集或测试集错误更有用。本文提出了在风力涡轮机性能监测中利用 XAI 的方案，最终目标是选取更透明和鲁棒的数据驱动风力涡轮机功率曲线模型。
wind turbinepower curve modelsexplainable artificial intelligencescada datamodel robustness
发现论文，激发创造
  • 透明风力涡轮机功率曲线模型的可解释性人工智能 (XAI)

    研究表明，大型机器学习模型体系结构的普及会导致物理上不可行的模型策略，因此，我们建议更多地运用可解释人工智能（XAI）方法来选择模型，并提出了一种实用的方法来利用解释来进行风力涡轮性能监测的根本原因分析，以帮助减少停机时间，增加场地涡轮的利用率。

    Oct, 2022

  • 使用物理信息神经网络和证据不确定性量化预测风力发电机功率

    使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

    Jul, 2023

  • 可解释建模的风力发电预测：一种精确度异常高的透明盒子方法

    通过采用创新的人工智能方法（如梯度提升），提出了一种透明度与高准确性相结合的玻璃盒方法，用于风力发电预测，该方法能够有效解释全球和实例角度上的预测结果，并且相比大多数基准模型表现更好且与最佳神经网络模型相当，因此在可靠的风力发电预测中具有强大的竞争优势。

    Oct, 2023

  • 可解释化人工智能用于定制化用电反馈 -- 可视化实验评估

    通过采用机器学习与可解释的人工智能技术，我们创建了五个个性化反馈的可视化方案，以帮助用户准确识别电力消耗数据的特定模式，并显示在具有已知可视化模式的界面上。我们的实验表明，这样的 XAI 可视化方案能够被用户准确理解和应用。

    Aug, 2022

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 使用图变换器学习优化风场

    该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

    Nov, 2023

  • XAI4Wind：一种面向风力涡轮机运维方面的可解释决策支持的多模态知识图数据库

    我们提出了 XAI4Wind，这是一个多模式知识图谱，旨在为实际操作涡轮提供可解释的决策支持，并通过图形数据科学算法展示了多种用例。

    Dec, 2020

  • 风力涡轮机运维人工智能的计量学综述：过去、现在和未来

    本文运用统计计算方法，对风能领域人工智能技术的概念和主题演进进行了系统综述，提出了人工智能技术在风电设备运维中的挑战和应对策略，旨在鼓励更多组织采用数据驱动的决策技术，以实现风能可靠性的增强和全球应对气候变化的目标。

    Mar, 2022

  • 基于解释性人工智能的自适应学习与 SHAP 聚类在能耗预测方面的应用

    通过整合可解释的人工智能技术与自适应学习，本论文提出了一种方法来增强能源消耗预测模型，重点处理数据分布变化。利用 SHAP 聚类方法，我们的方法能够为模型的预测结果提供可解释的解释，并利用这些洞察力来自适应地改进模型，平衡模型复杂度和预测性能。我们引入了一个三阶段的过程：(1) 获取 SHAP 值以解释模型的预测结果，(2) 通过聚类 SHAP 值来识别不同的模式和异常值，以及 (3) 根据得到的 SHAP 聚类特征来改进模型。我们的方法能够减轻过拟合并确保处理数据分布变化的鲁棒性。我们在一个包含建筑物能耗记录以及两个额外数据集的综合数据集上评估了我们的方法，以评估我们的方法在其他领域、回归和分类问题中的可迁移性。我们的实验结果表明，我们的方法在两种任务类型中均具有有效性，能够改善预测性能并提供可解释的模型解释。

    Feb, 2024

  • 通过人工智能增强的符号回归发现完整风力涡轮尾流的可解释数学表达式

    通过基因符号回归算法，本研究提出了一个可解释的数学表达式，用于在整个尾流区预测尾流的速度缺失，从而弥补了现有的解析尾流模型在近尾流区的预测能力不足的问题。

    Jun, 2024