|
|
基于改进回归树的风机净空预报
周诗洋, 徐胜文, 吕品, 等
2026 (1):
58-68.
DOI: 10.12087/oeet.2095-7297.2026.01.07
摘要
(
0 )
PDF(9427KB)
(
40
)
准确的净空监测对于风电机组的安全稳定运行至关重要。然而,现有净空监测装置往往成本高昂且可靠性不足。针对这些挑战,提出一种基于深度学习的代理模型预测流程。首先,利用OpenFAST对自定义机组进行仿真,生成高质量的数据集,以克服传统测量方案中噪声大和精度低的问题。随后,通过特征工程降低模型训练难度,针对分类与回归树 (CART)模型,通过分风速段训练和大变形样本加权优化,实现了模型整体预测精度和峰值预测精度大幅提高的双重目标。结果显示:改进后的回归树模型,在整体预测精度(RMSE)上平均提高了7.51%,而且在峰值预测指标正误差超过0.5m和1.0m的比例分别降低了17.8%和35.4%。在涵盖切入到切出风速的100min测试结果中,Segmented-Weighted模型峰值最大预测正误差为0.402m、整体预测误差NRMSE为1.49%、正误差大于0.5m和1.0m样本比例为10.2%和1.69%,该流程为风机净空监测提供了一种高效、可靠且经济的解决方案。
参考文献 |
相关文章 |
计量指标
|