一种用于鲁棒且透明数据驱动风力机功率曲线模型的可解释人工智能框架

风力机功率曲线模型将环境条件转换为风机功率输出。它们对发电量预测与风机性能监测至关重要。近年来，日益复杂的机器学习方法已成为该任务的前沿方法。然而，它们常因明显缺乏透明度而受到批评，这引发了对其在非平稳环境（如风力机所面临环境）中性能的担忧。因此，我们引入一种可解释人工智能（XAI）框架，以研究并验证数据驱动功率曲线模型从运行风机数据中学到的策略。借助简单的物理信息基线模型，它能够在标准误差度量之外对机器学习模型进行自动评估。除这一新工具外，我们展示其在更明智模型选择中的效用。例如，我们表明所学策略除测试集误差外，还可作为模型泛化能力的有意义指标，尤其在数据稀少时。此外，该方法有助于理解机器学习流水线中数据选择、预处理或训练参数等决策如何影响所学策略。在一个实际示例中，我们演示了该框架用于获取更具物理意义的模型，这不仅是鲁棒性的前提，也是领域专家洞察风机运行的前提。后者我们在风机性能监测背景下予以展示。随本文我们发布了所提框架的 Python 实现，并希望它能引导研究者和从业者训练、选择并利用更透明、更鲁棒的数据驱动风力机功率曲线模型。