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

Oct, 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

Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with Exceptional Accuracy

Wenlong Liao, Fernando Porté-Agel, Jiannong Fang, Birgitte Bak-Jensen, Guangchun Ruan...

TL;DR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。

Abstract

machine learning models (e.g., neural networks) achieve high accuracy in wind power forecasting, but they are usually regarded as black boxes that lack interpretability. To address this issue, the paper proposes

machine learning models wind power forecasting glass-box approach transparency neural networks

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

透明且鲁棒的基于数据的风力涡轮机功率曲线模型

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。

Apr, 2023

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

可解释的机器学习在天气和气候预测中的应用：一项调查

复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后，我们讨论了实现与物理原理相一致的更深层次的机械解释，开发标准化评估基准，将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。

Mar, 2024

风龙：自动深度学习增强风力发电预测

本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

Feb, 2024

提高神经网络在风力发电预测中的准确性和可解释性

提出了简单而有效的三重优化策略（TriOpts）来加快训练过程和改善深度神经网络（DNNs）在风力发电预测中的模型性能，并且创新性地提出了排列特征重要性（PFI）和局部可解释的模型不可知解释（LIME）技术来解释 DNN 的预测行为。模拟结果表明，所提出的 TriOpts 不仅大大提高了 DNNs 在确定性和概率性风力发电预测中的模型泛化能力，还加快了训练过程。此外，所提出的 PFI 和 LIME 技术可以准确估计每个特征对风力发电预测的贡献，有助于构建特征工程并理解如何获得给定样本的预测值。

Dec, 2023

黑盒模型即足以侵犯隐私：以智能电网预测模型为例

该研究探讨了与预测模型相关的潜在隐私风险，重点关注其在智能电网背景下的应用。深度学习（如 LSTM）等基于深度学习的预测模型在优化智能电网系统等多个应用中发挥关键作用，但也引入了隐私风险。研究分析了预测模型泄漏全局属性和对智能电网系统隐私的威胁的能力，并证明对一个 LSTM 模型的黑盒访问可以揭示相当于访问数据本身的大量信息（ROC 曲线下的面积差异仅为 1%）。这凸显了保护预测模型与数据具有相同重要性的重要性。

Sep, 2023

将领域知识融入基于 AI 的 “黑箱” 模型，以提高其可解释性并应用于破产预测

本文介绍了一个将领域知识存在一个 “黑匣子” 模型中的方法以提高模型的解释性和可理解性，为银行破产预测等领域带来更好的应用前景。

May, 2019

利用形状特征工程提高风速和风力预测的准确性和鲁棒性的新方法

通过改变卷积神经网络 - 长短期记忆（CNN-LSTM）和自回归模型的输入数据形状，这项研究探索了一种新的特征工程方法以提高对噪声的处理能力，并取得了显著的改善，使其能够以 83％的准确率预测长达 24 个时间步的未见数据，同时在短期、中期和长期预测方面始终表现出较高的准确性，优于单个模型的性能，为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

Jan, 2024

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