分布式电厂监控中基于解释型 AI 的性能与公平性平衡
机器学习
2026-03-20 v1
摘要
分布式电厂监控系统中可靠的异常检测对于确保运营连续性和降低维护成本至关重要，尤其是在高度依赖柴油发电机的地区。然而，这一任务面临极端类别不平衡、缺乏可解释性以及跨区域集群潜在公平性问题。本文提出了一个监督式机器学习框架，将集成方法（LightGBM、XGBoost、Random Forest、CatBoost、GBDT、AdaBoost）和基线模型（支持向量机、K-近邻、多层感知器、逻辑回归）与高级抽样技术（SMOTE with Tomek Links 和 ENN）相结合，以解决 Cameroon 油机运行数据中的类别不平衡问题。通过 SHAP（SHapley Additive exPlanations）实现可解释性，同时使用不平等影响比率（DIR）衡量跨运营集群的公平性。我们进一步使用最大均值偏差（MMD）评估模型在不同区域之间的泛化能力。实验结果表明，集成模型始终优于基线模型，LightGBM 达到 0.99 的 F1 分数且跨集群偏差最小（DIR ≈ 0.95）。SHAP 分析表明，燃料消耗率和每日运行时间是最主要的预测因子，为运营人员提供了可操作的见解。我们的发现表明，在异常检测中可能在性能、可解释性和公平性之间取得平衡，为工业电力管理中的更公平和可解释的 AI 系统铺平了道路。最终，除了离线评估外，我们还讨论了训练好的模型如何在实际中部署用于实时监控。我们展示了容器化服务如何实时处理、提供低延迟预测，并为运营人员提供可解释输出。
引用
@article{arxiv.2603.18954,
title = {Balancing Performance and Fairness in Explainable AI for Anomaly Detection in Distributed Power Plants Monitoring},
author = {Corneille Niyonkuru and Marcellin Atemkeng and Gabin Maxime Nguegnang and Arnaud Nguembang Fadja},
journal= {arXiv preprint arXiv:2603.18954},
year = {2026}
}