Page 117 - 新能源风力发电技术及其发展研究

Research on New Energy Wind Power Generation Technology and Development
新能源风力发电技术及其发展研究

优势：充分利用有限的数据资源，减少因样本差异导致的评估失真；同时提
供了更稳定的性能估计。
应用：适用于大多数机器学习算法的初步评估阶段，特别是当数据量相对较

小或难以获得独立测试集时。
2. 留一法（Leave-One-Out Cross Validation, LOOCV）
原理：当样本数量较少时，可采用 LOOCV 方法，即每次只留一个样本作为
验证集，其余全部用作训练集。

特点：几乎利用了所有可用数据，理论上能得到最无偏的性能估计；但由于
计算成本极高，通常仅限于小规模数据集。
3. 时间序列分割（Time Series Split）
原理：考虑到风力发电设备运行数据的时间序列特性，不能简单地随机打乱

顺序。因此，应当按照时间先后顺序划分训练集和测试集，保证测试集始终位于
训练集之后。
应用：非常适合用于预测未来时间段内的故障风险或功率输出等任务，避免
引入未来信息造成泄露。

4. 独立测试集
原则：除了交叉验证外，还应保留一部分未参与训练的数据作为最终的测试
集，用来检验模型的真实泛化能力。
要求：确保测试集足够大且具有代表性，避免因样本差异导致评估失真；同

时要严格保密，防止任何形式的信息泄露。
（九）模型调优与超参数调整
模型的性能不仅取决于算法本身，还受到许多超参数的影响。合理的超参数
设置可以显著提升模型的表现。以下是几种常用的调优方法。

1. 网格搜索（Grid Search）
原理：穷举所有可能的超参数组合，找到最优解。
局限性：尽管简单直接，但对于高维空间效率低下，尤其是当参数范围较大
时，计算成本极高。

应用：适用于超参数空间较小且计算资源充足的场景；可以通过并行计算加
速过程。

104