技術要約：風力タービンパラメータ予測のための条件認識型マルチスケール時間学習

問題提起

風力タービンの稼働パラメータ（具体的には有効電力、発電機ベアリング温度、およびギアボックスベアリング温度）の正確な超短期予測は、性能監視および状態評価において極めて重要である。しかし、既存の予測モデルは、監視制御およびデータ収集（SCADA）データの性質に起因する重大な課題に直面している：

1. 異種的な時間特性： 風速と電力は急速に変動する一方で、ベアリング温度は熱慣性により緩やかに変化する。従来のモデルにおける固定スケールの畳み込み層では、これらのマルチタイムスケールのダイナミクスを同時に捉えることができない。
2. 条件依存的な相関関係： SCADA変数間の関係性は、異なる運転レジーム（起動停止、低風速、定格以下、定格出力、出力抑制など）によって大きく変化する。統一されたモデルでは、特定のレジームを適切に表現できない「平均化された」パターンを学習してしまうことが多い。
3. ハイパーパラメータへの敏感性： モデルの性能は、相互作用するハイパーパラメータに対して非常に敏感である。手動でのチューニングは非効率であり、バットアルゴリズム（BA）のような標準的な最適化アルゴリズムは、初期値の偏り、早期収束、および局所探索能力の不足という課題を抱えている。

手法

本研究では、ハイパーパラメータ最適化のために**改良型バットアルゴリズム（IBA）**を統合した、**条件認識型マルチスケール長短期時系列ネットワーク（CA-MS-LSTNet）**を提案する。

1. データ前処理

• 無効データの除去： 物理的に不可能な値や運用上の制約に抵触するレコードを除去する。ローカルアウトライアファクター（LOF）は、タービンのステータスや物理的限界と矛盾するサンプルに対してのみ補助ツールとして使用し、有効な過渡現象が破棄されるのを防ぐ。
• 欠損値の補完： 高次元のSCADAデータに適したスパース制約を活用するため、ラッソ回帰を用いて欠損値を補完する。
• 特徴量選択： 最大情報係数（MIC）を用いて、予測対象と強い相関を持つ入力変数を特定し、選択する。

2. CA-MS-LSTNet アーキテクチャ

本ネットワークは、以下の3つのメカニズムを通じて従来のLSTNetを強化している：

• マルチスケール畳み込み層（MSCL）： 単一スケールの畳み込みを、カーネルサイズ3、5、7を用いた並列畳み込みに置き換える。これにより、短期的摂動（小さなカーネル）と緩やかな温度・負荷トレンド（大きなカーネル）を同時に捉える。
• 運転条件認識モジュール（OCPM）： ステータスコード、風速、および有効電力に基づき、5つの運転レジーム（起動停止、低風速、定格以下、定格出力、出力抑制）を識別するルール駆動型モジュールである。これは条件埋め込みベクトルとゲーティングメカニズムを生成し、マルチスケール特徴を調整することで、モデルが現在の運転状態に合わせて特徴抽出を適応できるようにする。
• 特徴アテンション（FA）： 条件によって調整された特徴チャネルの重みを再設定するメカニズム。グローバル平均プーリングと2層のフィードフォワードネットワークを使用し、再帰的モデリングの前に、情報量の多い時間的特徴を強調し、冗長なチャネルを抑制するように適応的な重みを割り当てる。
• 再帰パスウェイ： 長期的な時間依存関係および反復的な時間依存関係をそれぞれモデル化するために、従来の再帰（GRU）および再帰スキップパスウェイを保持する。

3. 改良型バットアルゴリズム（IBA）

ネットワークのハイパーパラメータを最適化するために、従来のバットアルゴリズムを以下の3つの戦略で強化する：

• カオス的初期化： ロジスティック写像を使用して、より一様に分布した初期集団を生成し、グローバルな探索能力を向上させる。
• 適応型周波数更新： 集団内の最良および最悪の個体に対する個々の適合度に基づいて探索周波数を動的に調整し、探索（劣った解に対して）と活用（優れた解に対して）のバランスをとる。
• コーシー・ガウス混合摂動： コーシー分布（局所最適解から脱出するためのヘビーテイルな大きなジャンプ用）とガウス分布（局所探索のための微調整用）を組み合わせる。重みは、反復が進むにつれてコーシー優位からガウス優位へとシフトする。

主な貢献

1. フレームワークの開発： マルチスケール特徴抽出、ルール駆動型の条件モジュレーション、および特徴チャネル・アテンションを統合し、風力タービンデータの非線形性と非定常性に対処するCA-MS-LSTNetフレームワークの提案。
2. 適応メカニズム： 固定的なマッピング手法を超え、変動する運転レジーム下で特徴表現を精緻化するための、逐次的な条件認識およびアテンションメカニズムの導入。
3. 最適化戦略： カオス的初期化、適応型周波数更新、および混合摂動を取り入れ、ハイパーパラメータ最適化の収束安定性と精度を向上させたIBAの開発。

実験結果

モデルは、2つの風力発電所（太池および谷郷）の12基のタービンから得られた449,820件の1分間隔SCADAレコードを用いて評価された。データセットは、訓練（70%）、検証（20%）、テスト（10%）のセットに分割された。

• 性能指標： CA-MS-LSTNetは、テストされたすべてのモデル（CNN-LSTM、LSTM-Attention、Transformer、および標準的なLSTNetを含む）の中で、最も低い平方根平均二乗誤差（RMSE）および平均絶対誤差（MAE）を達成した。
• 定量的改善： 従来のLSTNetと比較して、CA-MS-LSTNetは以下を削減した：
  • 有効電力： RMSEを79.46%、MAEを84.69%削減。
  • 発電機ベアリング温度： RMSEを67.82%、MAEを71.08%削減。
  • ギアボックスベアリング温度： RMSEを53.19%、MAEを49.79%削減。
• アブレーション研究： 増分実験により、OCPM、MSCL、FA、およびIBAモジュールをベースラインのLSTNetに追加することによる累積的な有効性が確認された。
• マルチタービンの一貫性： モデルは12基の全タービンに対して一貫した性能を示し、誤差分布はベースラインモデルよりも集中していた。
• 最適化の検証： 4つのベンチマーク関数（Sphere、Schwefel 2.22、Rastrigin、Penalized N.1）において、IBAは標準的なBAおよび粒子群最適化（PSO）と比較して、有意に低い平均および最良の目的関数値を達成した。

意義および主張

本論文は、提案された手法が、条件認識型のモジュレーションとマルチスケール抽出を明示的に考慮することで、従来の予測モデルの限界を効果的に解決できると主張している。条件認識型のモジュレーションとマルチスケール抽出の統合により、モデルは風力タービンの動的な性質に適応でき、その結果、超短期パラメータ予測において優れた精度を実現している。

著者らは、モデルが調査対象のすべてのタービンに対して一貫した性能を示しているものの、評価は現在、特定の期間における2つの風力発電所のデータに限定されていることを注記している。今後の課題として、未知の風力発電所、異なる種類のタービン、およびより長期的な季節的運転条件への汎用性の調査が挙げられている。本研究は、テストされたSCADAデータおよび運転レジームの範囲を超えた普遍的な適用性を主張するものではない。