机器学习风电异常检测实战

📚 共计 30 章节

课程导论与项目背景

风电行业现状、异常检测的价值、课程目标与学习路径。

风电数据基础

SCADA系统介绍、数据采集频率、常见传感器与测点、数据量级认知。

Python环境搭建

Anaconda安装、Jupyter Notebook配置、必备库安装 (pandas, numpy, sklearn等)。

数据探索与可视化

加载CSV数据、describe()、info()、缺失值可视化、箱线图与异常值初探。

数据清洗实战

缺失值处理（删除、均值填充、插值）、重复值处理、异常值截断与平滑。

清洗预处理

特征工程（上）

时间特征提取（小时、季节、月份）、统计特征（滚动均值、滚动标准差）、滞后特征。

特征时间序列

特征工程（下）

频域特征（FFT变换）、功率曲线拟合特征、风速-功率理论曲线偏差。

频域功率曲线

标签构建方法

基于规则打标（功率曲线3σ、风速突变）、半监督方法（孤立森林初筛）、人工校验流程。

标签半监督

数据划分策略

时间序列交叉验证、避免数据泄露、训练/验证/测试集划分实战。

划分交叉验证

基线模型：孤立森林

Isolation Forest原理与实战、参数调优、异常评分阈值选择。

孤立森林基线

进阶模型（一）

单类支持向量机（One-Class SVM）原理、核函数选择、在风电数据上的表现。

进阶模型（二）

基于重构的异常检测——自编码器（Autoencoder）原理与Keras实现。

自编码器Keras

进阶模型（三）

时序异常检测模型——LSTM-Autoencoder原理、序列重构误差分析。

XGBoost异常检测、LightGBM异常检测、模型融合策略（Voting/Stacking）。

模型评估指标

混淆矩阵、精确率/召回率/F1、PR曲线与ROC曲线、不同阈值下的评估。

模型可解释性

SHAP值分析、特征重要性排序、异常样本的局部解释。

SHAP可解释性

实时检测系统设计

Kafka数据流模拟、滑动窗口检测、告警规则引擎设计。

模型部署实战

Flask API搭建、ONNX模型导出、Docker容器化部署。

案例实战（一）

齿轮箱温度异常检测——基于统计特征与孤立森林。

齿轮箱温度

案例实战（二）

发电机轴承振动异常检测——基于LSTM-Autoencoder。

案例实战（三）

叶片结冰异常检测——基于多传感器融合与XGBoost。

案例实战（四）

变桨系统卡涩异常检测——基于时序模式匹配与DTW。

大规模数据处理

PySpark分布式数据处理、Dask并行计算、GPU加速训练。

自动机器学习（AutoML）

TPOT自动特征工程与模型选择、Optuna超参数优化。

迁移学习在风电中的应用

源域选择、模型微调、跨风机/跨风场迁移实战。

迁移学习微调

联邦学习与隐私保护

横向联邦学习框架、安全聚合、在风电多风场协同中的应用。

联邦学习隐私

异常根因分析

因果推断基础、Granger因果检验、异常传播路径追踪。

运维决策支持

异常等级划分、维修优先级排序、备件库存优化建议。

项目总结与最佳实践

完整项目复盘、常见坑点总结、生产环境注意事项。

总结最佳实践

数字孪生与异常检测结合、大模型在时序异常检测中的应用、端侧AI部署趋势。

展望数字孪生