针对复杂风能系统故障预防的反事实优化

机器学习模型日益增加地用于企业以检测复杂系统中的故障和异常。本 work 进一步推进了这一方法：除了仅检测异常外，我们旨在识别恢复系统至安全状态的 optimal control strategy，以最小化干扰。我们将这一挑战框定为反事实问题：给定对系统状态进行分类为 good 或异常的机器学习模型，我们的目标是确定系统控制变量（即其当前状态）的最小调整，以必需返回其 good 状态。为此，我们利用数学模型在遵守系统特定约束的同时找到 optimal counterfactual solution。值得注意的是，文献中大多数反事实分析集中在个案上，其中个人寻求相对于分类器所做决定的状态进行更改，例如贷款批准或医疗诊断。我们的 work addresses a fundamentally different challenge: optimizing counterfactuals for a complex energy system, specifically an offshore wind turbine oil type transformer。此 application 不仅在新领域推进了反事实优化，也为该领域的更广泛研究开辟了新机遇。我们的测试在我们工业合作伙伴提供的 real world data 上显示，我们的方法 easily adapts to user preferences，并在 typical farm 中每年带来约 300 万欧元的 savings。