基于多任务学习的风机组电力建模

由于全球需要增加可再生能源资源的发电量，开发在线监控相关基础设施的措施以降低运维成本具有重要意义。然而，数据驱动方法面临着诸多挑战，例如标签损伤状态数据不完整或有限，运行和环境的可变性，或对不确定性进行量化以支持风险管理的需求。本文首先引入了用于预测风机电力的概率回归模型，该模型从数据中学习调整风机效应的能力。随后，在针对不同任务（风机）所学习模型参数之间的空间相关性基础上，我们开发了层次贝叶斯模型（一种多任务学习方法），以开发一个“中期模型”，用于预测调整风机位置的电力预测，包括训练数据中未出现的风机。结果表明，中期模型能够优于一系列基准模型，并展示了一种在变量存在相关性时（例如来自风机效应）高效利用数据的新策略，用于推断结构群体。