Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification

要約

風力エネルギーの利用がますます増加しているため、ピッチ角コントローラーによるタービン動作の最適化と、早期故障検出によるメンテナンスが必要になっています。
特に風速の関数として発電量を予測するには、風力タービンの動作を模倣した正確かつ堅牢なモデルを作成することが重要です。
既存の経験的および物理ベースのモデルでは、入力変数と電力の間の複雑な関係を捉えるには限界があり、風の変動によってさらに悪化します。
データ駆動型の手法は、精度と効率を向上させることで、大規模なデータセットの風力タービンのモデリングを強化する新たな機会を提供します。
この研究では、物理学に基づいたニューラル ネットワークを使用して、モデルに特定の物理的制約を課しながら、風力発電所の 4 台のタービンからの履歴データを再現しました。
出力変数としてのパワー、トルク、およびパワー係数の回帰用に開発されたモデルは、実際のデータとシステムを支配する物理方程式の両方に対して高い精度を示しました。
最後に、効率的な証拠レイヤーの導入により、予測の不確実性推定が提供され、絶対誤差と一致することが証明され、検出力曲線の信頼区間の定義が可能になりました。

要約(オリジナル)

The ever-growing use of wind energy makes necessary the optimization of turbine operations through pitch angle controllers and their maintenance with early fault detection. It is crucial to have accurate and robust models imitating the behavior of wind turbines, especially to predict the generated power as a function of the wind speed. Existing empirical and physics-based models have limitations in capturing the complex relations between the input variables and the power, aggravated by wind variability. Data-driven methods offer new opportunities to enhance wind turbine modeling of large datasets by improving accuracy and efficiency. In this study, we used physics-informed neural networks to reproduce historical data coming from 4 turbines in a wind farm, while imposing certain physical constraints to the model. The developed models for regression of the power, torque, and power coefficient as output variables showed great accuracy for both real data and physical equations governing the system. Lastly, introducing an efficient evidential layer provided uncertainty estimations of the predictions, proved to be consistent with the absolute error, and made possible the definition of a confidence interval in the power curve.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google