Site-adapted U-Net and classical benchmarking for wind turbine power curve modeling under SCADA data quality variation
تُثبت هذه الورقة أن نموذج (U-Net) القائم على الصور والمكيف للموقع، والذي تم تدريبه على بيانات نظام التحكم الإشرافي وتحصيل البيانات (SCACDA) باستخدام أهداف قدرة مشتقة من وحدة التحكم، يتفوق بشكل كبير على المنحنيات الكلاسيكية ونماذج تعزيز التدرج في نمذجة منحنيات طاقة توربينات الرياح بدقة عبر أساطيل متنوعة وظروف جودة بيانات مختلفة في باكستان.
المؤلفون الأصليون:Syed Muhammad Hamza Tauqeer, Shibli Nisar, Armoghan Khan, Ammad Ali Khan
تُعد توربينات الرياح آلات ضخمة تحول دفع الرياح غير المرئي إلى كهرباء، لكنها لا تنتج الطاقة دائمًا بطريقة يمكن التنبؤ بها بشكل مثالي. ولفهم مدى كفاءة عمل التوربين، ينظر المهندسون إلى "منحنى القدرة" الخاص به، وهو خط بسيط يوضح كمية الكهرباء التي يجب أن تنتجها الآلة عند أي سرعة رياح معينة. في عالم مثالي، سيكون هذا الخط سلسًا ومتسقًا، ويرتفع بثبات مع اشتداد الرياح حتى تصل الآلة إلى حدها الأقصى. ومع ذلك، فإن العالم الحقيقي فوضوي؛ إذ غالبًا ما تتوقف التوربينات عن إنتاج الطاقة حتى عندما تكون الرياح قوية بسبب قيود الشبكة، أو مشكلات الصيانة، أو ضوابط السلامة. وعندما يحاول المهندسون رسم منحنى القدرة باستخدام البيانات الخام المسجلة بواسطة التوربينات، تصبح الصورة عبارة عن سحابة متناثرة من النقاط، مع وجود العديد من النقاط بعيدًا تحت الخط المتوقع، مما يجعل من الص định الصعب معرفة ما إذا كان التوربين معطلاً أم أنه ببساطة يفعل ما أُمر بفعله تمامًا.
لقد وضع فريق من الباحثين من جامعة العلوم والتكنولوجيا الوطنية في باكستان نصب أعينهم حل مشكلة البيانات الفوضوية هذه. أرادوا إيجاد طريقة لرؤية الإمكانات الحقيقية لتوربين الرياح، حتى عندما تكون السجلات مليئة بالانقطاعات والفجوات. واختبروا أفكارهم على مجموعتين مختلفتين من مزارع الرياح في ممر "جيمبير" (Jhimpir) الملاحي، إحداهما تضم آلات أكبر والأخرى تضم آلات أصغر قليلاً. وقارن الباحثون بين الطرق الرياضية التقليدية، التي تحاول ملاءمة خط سلس عبر النقاط المتناثرة، وبين نهج جديد يعامل البيانات كصورة. واستخدموا نوعًا من الذكاء الاصطناعي يسمى "U-Net"، وهو مصمم للتعرف على الأنماط في الصور، للنظر في سحابة نقاط البيانات و"رسم" منحنى القدرة الصحيح والنظيف تحت الضجيج.
وجد الباحثون أن نهجهم القائم على الصور قد حقق نجاحًا ملحوظًا، حيث تفوق على التقنيات التقليدية. وعندما اختبروا نظامهم على عام من البيانات لم يسبق للكمبيوتر رؤيتها، تمكن النموذج الجديد من التنبؤ بأداء التوربين بدقة عالية جدًا. لقد نجح في استعادة منحنى القدرة الحقيقي من البيانات الخام غير المفلترة دون الحاجة إلى إزالة النقاط السيئة يدويًا أولاً. وفي الواقع، كان النظام فعالًا للغاية لدرجة أنه قلل الخطأ في تنبؤاته بأكثر من النصف مقارم بأفضل طريقة تقليدية تعتمد فقط على سرعة الرياح. كما كان النظام قادرًا على التعامل مع البيانات الفوضوية الناتجة عن تقليص الشبكة (grid curtailment)، حيث تُجبر التوربينات على التباطؤ، وذلك من خلال التمييز بين الآلة المعطلة وتلك التي تتبع الأوامر ببساطة.
كانت إحدى النتائج الأكثر إثارة للإعجاب هي قدرة النظام على نقل معرفته إلى نوع مختلف من التوربينات دون إعادة تدريب. فقد درب الباحثون نموذجهم على بيانات من التوربينات الأكبر حجمًا (2.5 ميجاواط)، ثم طبقوا نفس البرنامج الحاسوبي بالضبط على التوربينات الأصغر (1.5 ميجاواط). ورغم أن الآلات كانت مختلفة الأحجام والبيانات جاءت من عام مختلف، إلا أن النموذج لا يزال ينتج منحنيات دقيقة. يشير هذا إلى أن النظام تعلم الشكل الأساسي لكيفية سلوك توربين الرياح، بدلاً من مجرد حفظ التفاصيل المحددة لآلة واحدة. كما قارن الباحثون نظامهم المصمم خصيصًا بنسخة منشورة سابقًا من هذه التكنولوجيا، وكان إصدارهم أكثر دقة بشكل ملحوظ، حيث قلل الأخطاء بنسبة تقارب 80 بالمائة في بعض الحالات. وقد أرجعوا هذا التحسن إلى تغييرات محددة في كيفية تعليم النظام وكيفية قراءته للبيانات، مما يثبت أن الطريقة التي تدرب بها النموذج لا تقل أهمية عن النموذج نفسه.
كما سلطت الدراسة الضوء على ما لا يستطيع النظام القيام به. فبينما يتفوق النموذج في تحديد ما يمكن أن تنتجه التوربينات بناءً على تصميمها والرياح، فإنه لا يستطيع التنبؤ بإنتاج الطاقة المستقبلي إذا تغيرت ظروف الرياح أو إذا قطعت الشبكة الطاقة فجأة. إنه أداة للنظر إلى الوراء وفهم الأداء، وليس للتنبؤ بالطقس. وقد أكد الباحثون بحذر أن نجاحهم كان محدودًا بظروف الرياح وأنواع التوربينات المحددة التي درسوها، ولم يدّعوا أن هذه الطريقة ستعمل في كل مكان في العالم أو على كل أنواع التوربينات دون تعديل. ومع ذلك، بالنسبة لمزارع الرياح في باكستان، وفر النظام وسيلة موثوقة لفحص الآلات ذات الأداء المنخفض وحساب مقدار الطاقة المفقودة بسبب تقليص القدرة، مما قدم صورة واضحة قائمة على البيانات لصحة الأسطول دون الحاجة إلى عملية تنظيف معقدة ويدوية للسجلات.
ملخص تقني: نموذج U-Net المتكيف مع الموقع والمقارنة المرجعية الكلاسيكية لنمذجة منحنى طاقة توربينات الرياح
بيان المشكلة تعد منحنيات طاقة توربينات الرياح (WPCs) ضرورية لمراقبة الأداء، وتخطيط الصيانة، وتقييم عمليات الحد من القدرة (curtailment). ومع ذلك، فإن بناء منحنى طاقة تشغيلي من سجلات نظام التحكم الإشرافي وتحصيل البيانات (SCADA) يواجه تعقيدات بسبب تلوث البيانات. إذ عادة ما تخلط السجلات التشغيلية بين التوليد الطبيعي وحالات الحد من القدرة، والأعطال، والملاحظات النادرة للرياح العالية. وبينما توفر المنحنيات البارامترية أوصافاً موجزة، إلا أنها غالباً ما تفرض قيوداً على أشكال الانتقال، كما أن نماذج تعلم الآلة المرنة يمكن أن تكون شديدة الحساسية للمعالجة المسبقة والضبط الخاص بكل توربين. علاوة على ذلك، فإن طرق الاسترداد القائمة على الصور الموجودة حالياً، مثل DITU-Net، تعتمد على عائلات أهداف اصطناعية قد لا تمثل حالات الحد من القدرة الطويلة المدى الخاصة بموقع معين، كما لم يتم التحقق من أدائها تحت متغيرات جودة البيانات ونقل التصنيف المتقاطع (cross-rating transfers).
المنهجية تقيم الدراسة ثلاث صيغ نمذجة متميزة باستخدام بيانات SCADA من مجموعتين من التوربينات (ACT-2: 20 × 2.5 ميجاوات؛ ACT-1: 20 × 1.5 ميجاوات) في ممر جیمپير للرياح، باكستان.
1. المقارنة المرجعية الكلاسيكية والشرطية:
المنحنيات الكلاسيكية: تقارن الدراسة النماذج البارامترية (4PLF, 5PLF)، والمداخل غير البارامترية (PCHIP، وsmoothing splines)، ومتعددات الحدود ذات المتوسط الموزون (bin-mean polynomials) مع منحنيات الشركة المصنعة.
تعزيز التدرج الشرطي (XGBoost): تمت مقارنة متغيرين:
XGB-SI: مدخل واحد، يستخدم فقط سرعة الرياح المصححة.
XGB-MI: مدخلات متعددة، تتضمن متغيرات حالة التشغيل (زاوية الشفرة، سرعة المولد، درجة الحرارة، اتجاه الرياح) للتمييز بين حالات التحكم والحد من القدرة.
سيناريوهات البيانات: تم اختبار ثلاثة سيناريوهات لجودة البيانات (S1–S3): يحتفظ S1 بالتشتت الفيزيائي المقبول خام، ويضيف S2 مرشح الانحراف المطلق للوسيط (median-absolute-deviation)، ويضيف S3 مرشح المدى الربيعي الموزون حسب الفئات (binwise interquartile-range).
2. نموذج (U-Net) المتكيف مع الموقع (من صورة إلى منحنى):
البنية: تعالج شبكة مشفر-فك تشفير (encoder-decoder) من نوع U-Net مخططات التشتت (scatter plots) لسرعة الرياح مقابل طاقة الشبكة المقاسة (GP) كصور بحجم 256×256.
استراتيجية التدريب: تتدرب الشبكة على رسم خرائط من صورة تشتت GP الخام إلى صورة هدف مستمدة من الطاقة النظرية (TP) للمتحكم في التوربين. يتم إنشاء الهدف باستخدام المئين التسعين لـ TP ضمن فئات سرعة الرياح (Q0.90)، مما يحدد فعلياً منحنى "القدرة" الذي يتجاهل القيم المتطرفة الناتجة عن الحد من القدرة عند الطاقة المنخفضة.
الاستدلال: أثناء النشر، يستقبل النموذج فقط سرعة الرياح وGP المقاسة (بدون TP، وبدون متغيرات مساعدة). ويخرج منحنى قدرة نظيفاً يتم تحويله إلى منحنى عددي عبر قارئ مركز ثقل موزون بالشدة، متبوعاً بضبط متسق (isotonic pre-fitting)، وB-spline خاضع لعقوبة الرتابة (monotone penalized B-spline).
النقل: تم تدريب النموذج على مجموعة ACT-2 (2023–2025) وتقييمه على مجموعة ACT-2 لعام 2026، ونقل صفري (zero-shot transfer) إلى مجموعة ACT-1 (1.5 ميجاوات) باستخدام معايرة محاور المدخلات فقط (تحجيم القدرة إلى التصنيف الجديد وسرعة الرياح إلى المئين 99.5).
المساهمات الرئيسية
إطار المقارنة المرجعية: تضع الورقة إطاراً صارماً للمقارنة بين التوافق الكلاسيكي، والانحدار الشرطي، واسترداد الصور، مع الفصل الصريح بين "استرداد القدرة" (استنتاج الحد النظري من البيانات الضوضائية) و"التنبؤ بالطاقة" (التنبؤ بالمخرجات المستقبلية).
أهداف التدريب المتكيفة مع الموقع: على عكس العمل السابق الذي استخدم منحنيات اصطناعية، تدرب هذه الدراسة نموذج U-Net على صور تشتت حقيقية بأهداف مستمدة من TP الخاص بالمتحكم، مما يسمح للنموذج بتعلم أنماط الحد من القدرة الخاصة بالموقع.
النقل المتقاطع لصفر تصنيف (Zero-Shot Cross-Rating Transfer): تثبت الدراسة أن نسخة مجمدة من U-Net تم تدريبها على مجموعة 2.5 ميجاوات يمكنها استرداد منحنيات القدرة بدقة لمجموعة 1.5 ميجاوات دون تحديث الأوزان، بشرط معايرة محاور المدخلات.
تدقيق خط الإنتاج: يقارن التحكم ثنائي الاتجاه بين خط الإنتاج المقترح وDITU-Net الأصلي (Yang et al.) على مدخلات متطابقة، مما يعزل تأثير أهداف التدريب، وطرق استخراج البكسلات، وقيود ملاءمة المنحنى.
النتائج
الشرطي مقابل المدخل الواحد: في مجموعة اختبار 2025، قلل XGBoost متعدد المدخلات (XGB-MI) متوسط الخطأ التربيعي (RMSE) للأسطول من 143.1 كيلووات إلى 81.9 كيلووات مقارنة بالنسخة أحادية المدخل (XGB-SI)، وهو انخفاض بنسبة 42.8%. كان التحسن أكثر وضوحاً خلال موسم الرياح الموسمية (انخفاض بنسبة 56.3%)، حيث توجد حالات تحكم متعددة لسرعة رياح واحدة.
أداء U-Net:
على 100 شهر-توربين غير مرئية من عام 2026 (ACT-2)، حقق نموذج U-Net المجمد خطأً تربيعياً معيارياً قدره 0.0286 (R2=0.9946) مقابل مرجع قدرة المتحكم.
على 240 شهر-توربين من مجموعة 1.5 ميجاوات (ACT-1)، حققت النسخة المجمدة غير المتغيرة خطأً تربيعياً معيارياً قدره 0.0544 (R2=0.9578) بعد معايرة محاور المدخلات.
لم يؤدِ التصفية الإحصائية (S2, S3) إلى تحسين الدقة الأساسية مقارنة بالبيانات الخام (S1)، مما يشير إلى أن النموذج قوي تجاه تغيرات جودة البيانات.
مقارنة نقاط التحقق المتقاطعة: عند المقارنة على صور متطابقة، قلل خط الإنتاج المتكيف مع الموقع من RMSE بنسبة 83.0% (ACT-2/2026) وبنسبة 79.8% (ACT-1/2025) مقارنة بمسار DITU-Net الأصلي. ويعزى فجوة الأداء إلى استخدام أهداف تدريب ذات شكل حقيقي للحد من القدرة، واستخراج البكسلات الموزون بالشدة (مقابل البكسل الأشد قتامة فقط)، وقيود الرتابة الصارمة أثناء ملاءمة المنحنى.
محاسبة الطاقة: مكنت المنحنيات المستردة من تقدير الطاقة المفقودة بسبب الحد من القدرة، والتي بلغ مجموعها حوالي 19,593 ميجاوات ساعة لمجموعة ACT-1 في عام 2025، مما يثبت فائدتها لعمليات الفحص التي يقوم بها المشغلون.
الأهمية والادعاءات تدعي الورقة أن نموذج U-Net المتكيف مع الموقع يوفر طريقة قوية وقابلة للنقل لاسترداد منحنيات قدرة توربينات الرياح من تشتت SCADA الخام دون الحاجة إلى إعادة ضبط خاصة بكل توربين أو إزالة قاسية للقيم الشاذة خارج الإنترنت. وتدعم النتائج استخدام هذا النموذج المجمد كطبقة تحليل أسطول للفحص الدوري لضعف الأداء المستمر وتقييم خسائر الحد من القدرة ضمن نظام أرصاد جوية وتشغيل شبكة مشترك.
ومع ذلك، يحافظ المؤلفون على نطاق متواضع فيما يتعلق بالتعميم:
تم إثبات صلاحية النموذج ضمن ممر جیمپير للرياح ولعائلات المتحكمات المحددة للمجموعات المدروسة.
يتم اشتقاق مرجع "القدرة" من TP الخاص بالمتحكم، وليس من قياسات IEC مستقلة؛ لذا فإن الأخطاء تقيس مدى الاتفاق مع قدرة المتحكم بدلاً من الكفاءة الديناميكية الهوائية المطلقة.
يوصف النقل الصفري لمجموعة 1.5 ميجاوات بأنه "انتقالي" (يعتمد على معايرة محور المدخلات لتوزيع السنة المستهدفة) بدلاً من كونه خالياً تماماً من المعايرة.
لا تدعي الدراسة قابلية النقل العالمية عبر ممرات رياح أو مناخات أو فلسفات تحكم مختلفة دون مزيد من التحقق.
يخلص العمل إلى أنه بينما تحسن متغيرات الحالة المساعدة تقدير الطاقة اللحظي (XGB-MI)، فإن طريقة الاسترداد القائمة على الصور تقدم ميزة متميزة: منحنى قدرة أحادي البعد قابل للنقل، يقلل الاعتماد على التصفية المصممة يدوياً وإعادة الضبط لكل توربين.