Site-adapted U-Net and classical benchmarking for wind turbine power curve modeling under SCADA data quality variation

기술 요약: 풍력 터빈 출력 곡선 모델링을 위한 사이트 적응형 U-Net 및 고전적 벤치마킹

문제 정의
풍력 터빈 출력 곡선(WPC)은 성능 모니터링, 유지보수 계획 및 출력 제한(curtailment) 평가에 필수적이다. 그러나 SCADA 기록으로부터 운전 가능한 WPC를 구축하는 것은 데이터 오염으로 인해 복잡하다. 운영 기록에는 정상 발전 상태와 함께 출력 제한 상태, 결함, 그리고 희소한 고풍속 관측치가 혼재되어 있다. 파라미터 기반 곡선은 압축적인 설명을 제공하지만, 전이 형태를 제약하는 경우가 많으며, 유연한 머신러닝 회귀 모델은 전처리 및 터빈별 피팅에 매우 민감할 수 있다. 또한, DITU-Net과 같은 기존의 이미지 기반 복구 방법은 실제 현장 특유의 장기적 출력 제한을 반영하지 못할 수 있는 합성 타겟 패밀리에 의존하며, 데이터 품질 변화 및 교차 등급 전이(cross-rating transfer) 하에서의 성능 검증이 미비하다.

방법론
본 연구는 파키스탄 짐피르(Jhimpir) 풍력 회랑의 두 터빈 플릿(ACT-2: 20 × 2.5 MW; ACT-1: 20 × 1.5 MW)의 SCADA 데이터를 사용하여 세 가지 뚜렷한 모델링 공식을 평가한다.

1. 고전적 및 조건부 벤치마킹:

   • 고전적 곡선: 파라미터 모델(4PLF, 5PLF), 비파라미터 보간법(PCHIP, smoothing splines), 그리고 빈 평균 다항식(bin-mean polynomials)을 제조사 곡선과 벤치마킹한다.
   • 조건부 그래디언트 부스팅 (XGBoost): 두 가지 변형을 비교한다:
     • XGB-SI: 단일 입력 방식으로, 보정된 풍속만을 사용한다.
     • XGB-MI: 다중 입력 방식으로, 운영 상태 변수(블레이드 각도, 발전기 속도, 온도, 풍향)를 포함하여 제어 상태와 출력 제한을 구분한다.
   • 데이터 시나리오: 세 가지 데이터 품질 시나리오(S1–S3)를 테스트한다: S1은 물리적으로 허용 가능한 원시 산점도를 유지하며, S2는 강건한 중앙값 절대 편차(MAD) 필터를 추가하고, S3는 빈 단위 사분위 범위(IQR) 필터를 추가한다.

2. 사이트 적응형 이미지-투-커브 모델 (U-Net):

   • 아키텍처: U-Net 인코더-디코더 네트워크가 풍속 대 측정된 그리드 전력(GP)의 산점도를 256×256 이미지로 처리한다.
   • 훈련 전략: 네트워크는 터빈 컨트롤러의 이론적 전력(TP)으로부터 유도된 타겟 이미지를 향해 원시 GP 산점도 이미지를 매핑하도록 훈련된다. 타겟은 풍속 빈 내의 TP 90 백분위수($Q_{0.90}$)를 사용하여 구축되며, 이는 저전력 출력 제한 이상치를 무시하는 "역량(capability)" 곡선을 효과적으로 정의한다.
   • 추론: 배포 시 모델은 오직 풍속과 측정된 GP만을 받는다(TP, 보조 변수 없음). 모델은 깨끗한 역량 곡선 이미지를 출력하며, 이는 강도 가중 중심점 판독(intensity-weighted centroid reader), 아이소토닉 사전 피팅(isotonic pre-fitting), 그리고 단조 페널티 B-스플라인(monotone penalized B-spline)을 통해 수치적 곡선으로 변환된다.
   • 전이(Transfer): 모델은 ACT-2 플릿(2023–2025)에서 훈련되며, 2026년 홀드아웃 데이터(ACT-2) 및 입력 축 캘리브레이션(전력을 새로운 정격 용량으로, 풍속을 99.5 백분위수로 스케일링)을 사용한 ACT-1 플릿(1.5 MW)에 대한 제로샷 전이에 대해 평가된다.

주요 기여

• 벤치마킹 프레임워크: 본 논문은 고전적 피팅, 조건부 회귀, 그리고 이미지 기반 복구 간의 엄격한 비교를 확립하며, "역량 복구"(노이즈가 있는 데이터로부터 이론적 한계를 추론)와 "전력 예측"(미래 출력을 예측)을 명확히 구분한다.
• 사이트 적응형 훈련 타겟: 합성 곡선을 사용하는 이전 연구와 달리, 본 연구는 실제 산점도 이미지와 컨트롤러 TP에서 유도된 타겟을 사용하여 U-Net을 훈련함으로써 모델이 해당 사이트의 특정 출력 제한 패턴을 학습할 수 있도록 한다.
• 제로샷 교차 등급 전이: 본 연구는 입력 축 캘리브레이션을 제공할 경우, 가중치 업데이트 없이도 2.5 MW 플릿에서 훈련된 고정된 U-Net 체크포인트가 1.5 MW 플릿의 역량 곡선을 정확하게 복구할 수 있음을 입증한다.
• 파이프라인 감사: 양방향 체크포인트 제어를 통해 제안된 사이트 적응형 파이프라인을 동일한 입력에 대해 원본 DITU-Net(Yang et al.)과 비교함으로써, 훈련 타겟, 픽셀 추출 방식, 곡선 피팅 제약의 영향을 격리하여 분석한다.

결과

• 조건부 vs 단일 입력: 2025년 홀드아웃 데이터에서 다중 입력 XGBoost(XGB-MI)는 단일 입력 버전(XGB-SI)에 비해 플릿 평균 RMSE를 143.1 kW에서 81.9 kW로 42.8% 감소시켰다. 이 개선은 단일 풍속에 대해 여러 컨트롤러 상태가 존재하는 몬순 시즌 동안 가장 두드러졌다(56.3% 감소).
• U-Net 성능:
  • 100개의 미학습 2026년 터빈-월(ACT-2) 데이터에 대해, 고정된 U-Net은 컨트롤러 역량 참조 대비 0.0286의 정규화된 RMSE($R^2 = 0.9946$)를 달est했다.
  • 240개의 터빈-월(ACT-1) 데이터에 대해, 변경되지 않은 체크포인트는 입력 축 캘리브레이션 후 0.0544의 정규화된 RMSE($R^2 = 0.9578$)를 달성했다.
  • 통계적 필터링(S2, S3)은 원시 데이터(S1)보다 주요 정확도를 개선하지 못했으며, 이는 모델이 데이터 품질 변화에 견고함을 시사한다.
• 교차 체크포인트 비교: 동일한 렌더링 이미지에서 비교했을 때, 제안된 사이트 적응형 파이프라인은 원본 DITU-Net 파이프라인 대비 RMSE를 ACT-2/2026에서 83.0%, ACT-1/2025에서 79.8% 감소시켰다. 이러한 성능 차이는 실제 출력 제한 형태의 훈련 타겟 사용, 강도 가중 픽셀 추출(단일 최저 밝기 픽셀 대비), 그리고 곡선 피팅 중의 엄격한 단조성 제약에 기인한다.
• 에너지 회계: 복구된 곡선은 ACT-1 플릿에서 총 ~19,593 MWh의 출력 제한 에너지를 추정할 수 있게 하여, 운영자 대상 스크리닝 도구로서의 유용성을 입증했다.

의의 및 주장
본 논문은 제안된 사이트 적응형 U-Net이 공격적인 오프라인 이상치 제거 없이도 원시 SCADA 산점으로부터 풍력 터빈의 역량 곡선을 복구하는 견고하고 전이 가능한 방법을 제공한다고 주장한다. 결과는 이 고정된 모델을 공유된 기상 및 그리드 운영 체제 내에서 지속적인 성능 저하를 스크리닝하고 출력 제한 손실을 평가하기 위한 플릿 분석 레이어로 사용할 수 있음을 뒷받침한다.

그러나 저자들은 일반화 가능성에 대해 다음과 같이 신중한 범위를 유지한다:

• 모델의 유효성은 Jhimpir 풍력 회랑과 연구된 플릿의 특정 컨트롤러 제품군 내에서 확립되었다.
• "역량" 참조는 독립적인 IEC 측정값이 아닌 컨트롤러 TP에서 유도되었으므로, 오차는 절대적인 공기역학적 효율성이 아닌 컨트롤러 역량과의 일치도를 정량화한다.
• 1.5 MW 플릿에 대한 제로샷 전이는 완전한 캘리브레이션 프리(calibration-free)가 아닌 "변환적(transductive)"(타겟 연도의 풍속 분포에 대한 입력 축 캘리브레이션에 의존함)으로 설명된다.
• 본 연구는 추가 검증 없이 다른 풍력 회랑, 기후 또는 컨트롤러 철학에 대한 보편적 전이성을 주장하지 않는다.

본 연구는 보조 상태 변수가 동시적 전력 추정(XGB-MI)을 개선할 수는 있지만, 이미지 기반 복구 방법이 뚜렷한 이점을 제공한다고 결론짓는다. 즉, 수동으로 설계된 필터링이나 터빈별 재피팅에 대한 의존도를 줄이면서 전이 가능한 1차원 역량 곡선을 제공한다는 것이다.