08 / SURROGATE ACCURACY · GENERALIZATION AUDIT

代理模型精度与泛化验证

厉今飞基线建模 + 洪祖名 XGBoost 深度调优:全风速、全偏航域真实值–预测值对照、残差分布与多架构横向对比, 构成高精度代理模型的质量佐证链。

数据边界声明:本页精度图与指标来自队友交付图源,训练脚本、数据与权重暂未入仓,现阶段为图源级佐证,非仓内可复现实验。

证据链条 拟合优度、上下游 MAE、单次推理耗时四项硬指标构成代理模型可信度闭环,支撑毫秒级在线控制。
XGBOOST · GCH TUNED
01 / R-SQUAREDFIT
全场功率拟合优度 R²
> 0.9999
决定系数极高
02 / UPSTREAM MAEP1
上游风机 P₁ 平均绝对误差
7.79 kW
相对误差仅 0.44%
03 / DOWNSTREAM MAEP2
下游风机 P₂ 平均绝对误差
10.49 kW
相对误差仅 1.15%
04 / LATENCYEDGE
单次推理耗时
< 0.8 ms
支撑毫秒级在线控制
FIG. A真实值 vs 代理模型预测值散点图 (True vs Pred)
真实vs预测
散点严格聚拢在 y = x 对角线上,全风速与偏航工况下均无系统性偏差。
FIG. B预测残差频数与正态分布图 (Residual Histogram)
残差分布
残差呈以 0 为中心的窄带对称分布,绝大部分样本绝对误差在 15 kW 以内。
95% 置信区间 (95% CI)
[-12.4, +12.8] kW
均方根误差 (RMSE)
11.2 kW (0.51%)
最大绝对偏差 (Max Error)
21.6 kW
残差均值偏置 (Bias μ)
+0.04 kW (无偏)
LEDGER多代理模型架构拟合精度与推理性能横向对比
三类候选架构在同一测试集上的精度–速度权衡,绿色高亮行为最终选用方案。
ARCHITECTURE BENCHMARK
代理模型架构 决定系数 R² P₁ MAE (kW) P₂ MAE (kW) 单次推理耗时 综合评价
双线性 / 多项式插值基线 0.9942 28.4 41.8 < 0.1 ms 过渡平滑但非线性突变区有误差
多层感知机 (MLP Neural Net) 0.9985 14.2 18.6 1.2 ms 精度优良,训练超参较敏感
XGBoost 梯度提升树(最终选用) > 0.9999 7.79 10.49 < 0.8 ms 精度极高、极低过拟合风险
NATURE FIG · 01功率相关性热力 — P1/P2/Ptot强负相关让利本质
corr
P1 vs P2 Pearson r=-0.99 负相关,揭示上游让利与下游回升权衡,RdBu_r发散,Nature单栏3.5in。→ PDF