《Journal of Marine Science and Engineering》：Operational Availability Assessment of Tidal Stream Turbines Using Environmental Data and Fuzzy Logic Inference
编辑推荐：
在混合能源系统中，为实时配电系统（尤其是三重混合发电机组）维持最优调度策略仍是一项关键挑战。缺乏针对离网混合机组的有效实时可观测平台直接影响了调度优先级。本研究提出了一种新型运行状态监测器，其具有数据驱动的预测机制，用于确定每台潮汐流涡轮机的即时状态。首先利用
在混合能源系统中，为实时配电系统（尤其是三重混合发电机组）维持最优调度策略仍是一项关键挑战。缺乏针对离网混合机组的有效实时可观测平台直接影响了调度优先级。本研究提出了一种新型运行状态监测器，其具有数据驱动的预测机制，用于确定每台潮汐流涡轮机的即时状态。首先利用多变量模糊逻辑系统对环境变量进行预处理以生成信息性特征，随后由机器学习分类器使用这些特征来识别涡轮机可用性状态。采用K折交叉验证以及在不断增加的环境噪声水平下的鲁棒性对分类器进行评估。本研究的主要贡献在于降低了不确定性并与实时运行条件相关联，从而支持最优调度决策。基线XGBoost分类器在加入模糊衍生特征后，其F1-score（F1分数）有所提升。在无噪声及递增噪声水平下的对比评估表明，所提出的框架在保持稳健分类性能的同时，始终优于基线模型。
论文解读：基于模糊特征工程与机器学习分类的潮汐流涡轮机运行可用性评估
潮汐流涡轮机作为海洋可再生能源开发的重要装备，其运行状态受海洋环境因素影响显著，尤其在离网与混合能源系统中，准确评估涡轮机的实时可用状态对于优化调度和能量管理至关重要。然而，潮汐能开发利用过程中面临的一个核心挑战是：海洋环境的剧烈变化，如不稳定的波浪、湍流以及流速波动，会显著影响涡轮机的运行性能，甚至导致输出功率质量下降。这种环境驱动的性能波动与涡轮机自身的真实故障在信号特征上往往难以区分，给传统的基于振动、温度等健康状态参数的状态监测方法带来了巨大困难。现有的大多数状态监测方法主要依赖涡轮机内部传感器数据，侧重于故障检测，而未能有效利用环境信息来判别运行状态，导致在环境多变条件下容易产生误报或分类错误。此外，传统的机器学习分类器采用硬决策边界，难以表征海洋环境中普遍存在的不确定性和状态渐变过程。因此，亟需一种能够显式考虑环境不确定性、且具有透明决策逻辑的分类框架，以在高度动态的海洋环境下实现可靠的涡轮机运行可用性评估。
针对上述问题，研究人员在发表于《Journal of Marine Science and Engineering》的论文中，提出了一种将模糊特征工程与机器学习分类相结合的新型运行状态评估框架。该框架的核心思想是利用模糊隶属函数将环境变量转换为模糊特征，从而捕捉环境的连续变化特性和不确定性，再将这些模糊特征与原始环境数据融合，输入XGBoost分类器进行涡轮机可用性状态（可用或不可用）的判别。研究的意义在于：该方法无需详细的系统模型或硬件改造，仅通过环境数据即可提供单台机组参与独立多源电力系统调度的实时就绪信息，为混合能源系统的最优功率管理提供了可靠依据。通过对比有无模糊特征、以及调参前后的模型性能，研究系统评估了模糊特征表示在提升分类稳定性、鲁棒性和优化可靠性方面的实际价值。
在关键技术方法方面，研究人员使用了来自加拿大新斯科舍省Eastern Passage的观测数据集，包含潮汐速度、流向、波高和波向四个环境变量。研究首先采用模糊逻辑方法，通过三角形隶属函数将每个连续环境变量映射为低、中、高三个语言概念的隶属度值，生成模糊特征。为模拟实际海洋监测中的传感器噪声，向原始特征中注入了受控强度的零均值高斯噪声。考虑到类别不平衡问题，在损失函数中引入了基于类别样本数比例的类权重。分类模型选用XGBoost，并通过五折分层交叉验证评估模型性能，采用宏平均精度、召回率和F1-score作为评价指标。为防止数据泄漏，模糊参数的估计严格限定在每折的训练子集内完成，再应用于对应的测试子集。
在结果与讨论部分，研究设置了多个分类场景进行对比分析。在原始特征基线场景中，仅使用含噪原始特征训练的基线分类器在五折交叉验证中取得了平均宏F1-score为0.8579的成绩，表现出较强的性能，但各折之间存在一定波动，反映出对数据划分和噪声的敏感性。在添加模糊特征场景中，当模糊隶属度特征被加入后，整体性能略有提升，平均宏F1-score达到0.8592。尽管绝对增益有限，但折间变异性显著降低，召回率在不同折间更加一致，表明模糊增强模型在处理边界潮汐条件时具有更好的稳定性。在调优后的原始特征模型场景中，经过超参数调优后，原始特征模型的平均宏F1-score下降至0.8331，性能明显退化，表明调优过程放大了模型对噪声和数据变异的敏感性，导致过拟合噪音模式。而在调优后的模糊模型场景中，调优后的模糊增强模型取得了显著更高的平均宏F1-score，达到0.8518，比调优后的原始模型高出近2个百分点，且保持了平衡的精确率和召回率，折间变化更小，表明模糊特征提供了更平滑、更有结构的特征空间，使超参数优化更为有效。在噪声鲁棒性方面，随着高斯噪声水平的逐步增加，两种模型的性能均有所下降，但模糊增强模型在所有噪声水平下始终维持较高的宏F1-score，表明模糊隶属度编码起到了一种不确定性感知平滑的作用，降低了对单个测量扰动的敏感性。
在总体讨论与模型排序中，研究人员基于宏F1-score、折间一致性和噪声鲁棒性三个维度，将模型排序为：调优后的原始-模糊混合模型（最佳综合准确率与鲁棒性）、未调优的原始-模糊混合模型（稳健且稳定的基线）、未调优的原始特征模型（有竞争力但对噪声敏感）、调优的原始特征模型（性能最低且鲁棒性最差）。为验证模糊特征表示的通用性，研究还额外测试了随机森林（Random Forest）、支持向量机（Support Vector Machine）和LightGBM（Light Gradient Boosting Machine）三种分类器，结果均显示模糊增强特征在保持可比较预测性能的同时，提升了模型在噪声环境下的鲁棒性。配对t检验和Wilcoxon符号秩检验的结果表明，尽管宏F1-score的提升幅度较小且未达到统计学显著水平，但该研究的主要贡献并非分类准确率的显著提升，而在于构建了一种鲁棒且可解释的环境特征表示方法，有效提高了模型在不确定和噪声运行条件下的稳定性。
在结论部分，研究明确指出，该工作解决了将潮汐涡轮机运行可用性状态作为变化的海洋状态和水下环境条件的函数进行分类的问题，而非内部机械故障。通过采用基于模糊逻辑的分类器，并与基于原始数据的模型进行对比，验证了模糊特征工程方法在整体分类可靠性方面的改进。在递增噪声水平下对分类器鲁棒性的进一步检验，以及与XGBoost等模型的对比研究，均凸显了模糊特征工程与机器学习分类相结合的方法相对于原始特征基线的优势。总体而言，所提出的分类器在正常和噪声注入条件下均表现出一致的良好性能和鲁棒性。未来工作可聚焦于将该分类器集成到混合自主离网电力系统中，以进一步探索其实用性，并与更多分类技术进行对比以全面理解其优势与局限。
