可用的机器学习部署经验教训及其在风力发电机监测中的应用

Dec, 2023

可用的机器学习部署经验教训及其在风力发电机监测中的应用

Lessons from Usable ML Deployments and Application to Wind Turbine Monitoring

Alexandra Zytek, Wei-En Wang, Sofia Koukoura, Kalyan Veeramachaneni

TL;DR在可再生能源领域的风力涡轮机监测任务中，通过对我们所说的可用机器学习（超越可解释机器学习的一步，包括解释和其他增强信息）的部署经验，我们得出了三个关键教训：聘请我们称之为 “桥梁” 的人员填补机器学习开发者和领域专家之间的鸿沟，配置灵活的系统使得在与这些桥梁的合作中可以轻松迭代可用机器学习界面，需要在部署过程中进行持续不断的评估以量化可用机器学习的实际影响。希望通过将这些教训应用于此任务来展示可用机器学习在可再生能源领域中的潜在实际影响。

Abstract

Through past experiences deploying what we call usable ml (one step beyond explainable ML, including both explanations and other augmenting information) to real-world domains, we have learned three key lessons. First, many organizations are beginning to hire people who we call ``

usable ml bridges configurable system continuous evaluations wind turbine monitoring

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

生产环境模型的监控和可解释性

讨论机器学习模型周期的后续，重要的是在已经部署的模型上进行监控，包括模型的性能和数据监控，使用统计技术检测异常值和数据漂移，提供历史预测的解释，同时使用开源工具来实现这些目标。

Jul, 2020

可再生能源系统和电网优化中的分布式解决方案赋能

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

风力涡轮机叶片视觉损伤自动检测系统

针对风能产业中风力发电机叶片破损的问题，提出了一种基于机器学习的破损检测模型，并探讨该模型在生产中实际运用的性能和效果，借助该模型可以降低风能发电的运营成本。

May, 2022

增强可再生能源的统一机器学习任务与数据集

通过引入集合 ETT-17（Energy Transition Tasks-17）和一种多任务机器学习模型，该研究分析了与增强可再生能源相关的 17 个数据集，并提供了性能基准。

Nov, 2023

可解释机器学习：从神话到诊断

本文综合了关于可解释机器学习（IML）方法和评估的基础研究，提出了可操作的分类法，并提出了一个三步骤的工作流程，以更好地使研究人员和客户合作，发现哪些方法对什么用例有用。同时，作者通过在分类法结果的基础上进行进一步研究，更好地满足客户对相关用例和研究人员对提出的方法的需求。

Mar, 2021

基于物理约束的循环神经网络的通用化温度预测模型在风力涡轮机组件预测性维护中的应用

基于物理约束的深度学习技术在风能预测性维护中发挥重要作用，特别适用于部分系统信息不完整的实际应用场景。

Apr, 2024

部署临床机器学习？考虑以下事项

通过调查拥有临床部署经验的从业者，本研究针对临床机器学习应用程序的主要挑战类别进行了分类，以更好地设计和开发临床机器学习应用程序。

Sep, 2021

风电场状态监测的概率多层感知机

通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习，我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集（SCADA）系统中提取的特征，预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练，可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合，假设输出功率遵循具有异方差的正态密度，并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能，证明其优于其他概率预测模型。

Apr, 2024