风机结冰工况下的时间序列预测与集成建模研究

本项目是基于SCADA数据的风机结冰工况功率预测研究（机器学习概论课程大实验），原作者Jiaxin2006于2026年6月发布于GitHub（项目链接：https://github.com/Jiaxin2006/wind-turbine-icing-forecast）。核心目标是通过综合运用随机森林、SVR、CNN、LSTM、Transformer等算法，结合Stacking集成学习与KMeans工况划分，实现风机运行功率的高精度预测，解决结冰工况下传统统一建模误差大的问题。

风力发电是清洁能源重要组成部分，但低温大风环境下风机叶片结冰会改变空气动力学特性，显著影响功率输出，给风电场功率预测和调度带来挑战。传统统一建模方法在结冰等异常工况下数据分布变化时，预测误差剧增、泛化能力下降。因此，针对结冰工况开展专门的功率预测研究，具有工程应用价值和方法论意义。本研究以风机运行功率OT为预测目标，定义工况为温度、风速及历史运行状态共同决定的数据状态，结冰相关工况为低温诱发的特殊运行状态。

数据来自国网冀北电力有限公司承德供电公司2024年2月全月的真实风机运行数据，共41760条分钟级时序观测，包含时间戳、温度、风速、OT等字段。特征工程采用多层次策略：环境变量（温度、风速）、时序特征（滑动窗口利用历史信息）、滚动统计特征（刻画局部变化趋势）。预处理严格按时间顺序划分训练/验证/测试集，有效避免未来信息泄露。

本项目采用多类算法构建对比体系：

• 基线模型：随机森林（集成投票提高稳定性）、SVR（核方法处理非线性关系）；
• 序列模型：CNN（提取局部时序模式）、LSTM（捕捉长期时间依赖）、Transformer（自注意力机制并行处理长序列）；
• 集成与扩展：Stacking集成（基学习器结果作为元学习器输入）、KMeans工况划分（无监督聚类分工况建模）、CNN-LSTM-Attention混合模型（结合卷积、序列建模与注意力机制）。

实验流程遵循科学方法论：1.基础对比实验（传统回归与深度序列模型性能差异）；2.集成优化实验（Stacking集成的性能提升）；3.工况划分实验（KMeans聚类分工况建模对结冰状态预测的影响）；4.扩展实验（混合模型与统计检验）。评估指标采用MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差），并辅以预测曲线、残差分布、分工况误差分析等补充手段。

工程应用价值：建立兼顾准确性与解释性的建模流程，为风电场功率预测和调度决策提供技术支撑，帮助运营人员提前应对结冰工况，减少发电损失，提高设备运行安全性。方法论贡献：明确传统模型、深度序列模型、集成模型在风机功率预测中的适用性差异，验证Stacking与工况划分对模型稳健性的提升作用，系统性对比分析具有重要方法论意义。

本项目展示了工业场景机器学习应用范式：从问题定义、数据获取、特征工程到模型选择、实验设计、结果评估，需结合领域知识与算法原理。值得借鉴的点包括：1.引入工况概念，通过无监督学习识别隐含模式并分工况建模；2.重视数据泄露问题，严格按时间顺序划分数据集保证结果可信度。这些思路对解决类似工业预测问题具有参考价值。