【李润泽】基于XAI方法的数据挖掘框架获得风机全新规律公式_18页_3mb

基于XAI方法的数据挖掘框架获得风机全新规律公式总结

核心内容

本研究提出了一种基于可解释人工智能（XAI）的数据挖掘框架，用于从风力机运行数据中发现新的物理规律公式。该框架结合了数据降维与分组、数据降噪与重建以及数据挖掘方法，旨在提升风力机功率预测与桨距角控制的准确性与可解释性。

主要观点

1. 研究背景

   • 风能已成为主流能源，但其科学与工程仍面临重大挑战。
   • 主要挑战包括：理解风电场大气流动过程、处理大型动态旋转机械系统、以及优化风电机组协同控制。

2. XAI方法的优势

   • XAI方法强调模型的可解释性，能够为科学发现提供支持。
   • 相比于传统黑盒模型，XAI方法通过引入物理约束和特征贡献分析，提升模型的科学价值。

3. 数据挖掘方法研究现状

   • 包括物理指导的机器学习方法、搜索算法和网络结构表征的机器学习方法。
   • 各类方法在不同数据场景下具有不同的应用优势，如物理约束的引入、符号回归的使用等。

4. 研究内容与方法

   • A部分：通过特征贡献分析实现数据降维与分组。
   • B部分：使用神经网络学习数据潜在规律，实现数据平滑降噪。
   • C部分：选择适合的数据挖掘方法，提取潜在规律的数学表达式。

5. 实验与验证

   • 使用响水风电场A02号风机的SCADA数据进行实验。
   • 提出新的功率表达式和桨距角控制表达式，验证了其在不同风速下的预测性能。
   • 对比了遗传算法（GP）与XAI+GP、XAI+EQL等方法的预测误差，显示XAI方法在总体预测水平上具有优势。

关键信息

物理参数与真实关系式

• 包含的物理参数：质量流量 $m$、比热容 $C$、换热系数 $h$、换热面积 $A$、入口温度 $T_i$、外环境温度 $T_S$、初始出口温度 $T_{0init}$、达到稳态所需时间 $t$、出口温度 $T_0$。
• 真实关系式：
  $$
  T_o = \frac{mC}{mC + hA} \times T_i + \frac{hA}{mC + hA} \times T_S
  $$
• 代入仿真参数后得到：
  $$
  T_o = 0.286T_i + 0.714T_S
  $$

数据挖掘所得数学表达式

• 功率预测公式：
  $$
  P = (\omega_r - 5.3) \times (3.027 \times (\omega_r - 5.3) \times (v - 3) + 40.8) + 1.2
  $$
• 桨距角预测公式：
  $$
  \theta = \arccos(1.0358 - 0.004v)
  $$

预测误差

• 功率预测：MAPE为13.72%，RMSE为84.36。
• 桨距角预测：MAPE为15.11%，RMSE为1.035。
• 不同风速下的MAPE：

  风速	MAPE
  3m/s	75.36%
  4m/s	17.71%
  5m/s	16.68%
  6m/s	6.06%
  7m/s	8.86%
  8m/s	9.40%

泛化性验证

• A03风机：MAPE分别为38.34%、26.90%、31.24%、20.14%、13.01%、12.14%。
• A04风机：MAPE分别为50.80%、21.34%、29.57%、19.26%、8.18%、5.39%。

算法对比

• GP：未得出有效结果。
• XAI+GP：得到功率表达式 $P = 1.26 \times w^2 \times (v - 2)$，MAPE为19.6%，RMSE为96.36。
• XAI+EQL：得到功率表达式 $P = (w_r - 5.3) \times (3.0 \times (w_r - 5.3) \times (v - 3) + 40.8) + 1.2$，MAPE为20.9%，RMSE为90.54。

结论与意义

• 搭建并实现了基于XAI的数据挖掘框架，用于风力机数据的科学发现。
• 该框架能够处理大规模、多维度、时序性的实践数据，并有效降低噪音干扰。
• 提出了新的风力机组功率预测式与桨距角控制式，为风电机组理论研究提供了新思路。
• 该方法具有良好的泛化性，在不同风机上均表现出较好的预测性能。

项目支持

• 国家自然科学基金重大研究计划（培育项目）：项目编号92270101，项目名称为“基于理论指导可解释人工智能模型的具有时空相关尾流影响风电场功率预测研究”。
• 国家重点研发计划：项目编号2019YFE0104800，项目名称为“海上风电场智能运行控制技术研究”。