Site-adapted U-Net and classical benchmarking for wind turbine power curve modeling under SCADA data quality variation
Dit artikel으로 toont aan dat een locatie-specifieke, op afbeeldingen gebaseerde U-Net, getraind op SCADA-gegevens met door controllers afgeleide capaciteitsdoelstellingen, klassieke curves en gradient boosting-modellen aanzienlijk overtreft in het nauwkeurig modelleren van windturbinevermogenscurves over diverse vloten en datakwaliteitcondities in Pakistan.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Windturbines zijn enorme machines die de onzichtbare duw van de wind omzetten in elektriciteit, maar ze produceren niet altijd op een perfect voorspelbare manier vermogen. Om te begrijpen hoe goed een turbine werkt, kijken ingenieurs naar de "vermogenscurve", een eenvoudige lijn die laat zien hoeveel elektriciteit de machine zou moeten maken bij een bepaalde windsnelheid. In een ideale wereld zou deze lijn vloeiend en consistent zijn, en gestaag stijgen naarmate de wind toeneemt tot de machine zijn maximale limiet bereikt. Echter, de echte wereld is rommelig. Turbines stoppen vaak met het produceren van vermogen, zelfs als de wind sterk is, vanwege netbeperkingen, onderhoudsproblemen of veiligheidscontroles. Wanneer ingenieurs proberen de vermogenscurve te tekenen met behulp van de ruwe gegevens die door de turbines zijn opgenomen, wordt het beeld een verspreide wolk van punten, met veel stippen ver onder de verwachte lijn. Dit maakt het moeilijk om te bepalen of een turbine kapot is of simpelweg doet wat hem is opgedragen.
Een team onderzoekers van de National University of Sciences and Technology in Pakistan zette zich in om dit probleem van rommelige gegevens op te lossen. Ze wilden een manier vinden om het ware potentieel van een windturbine te zien, zelfs wanneer de gegevens vol onderbrekingen en hiaten zitten. Ze testten hun ideeën op twee verschillende groepen windparken in de Jhimpir-windcorridor, één met grotere machines en één met iets kleinere machines. De onderzoekers vergeleken traditionele wiskundige methoden, die proberen een vloeiende lijn door de verspreide punten te trekken, met een nieuwere aanpak waarbij de gegevens als een afbeelding worden behandeld. Ze gebruikten een type kunstmatige intelligentie genaamd een U-Net, die ontworpen is om patronen in afbeeldingen te herkennen, om naar de wolk van gegevenspunten te kijken en de schone, correcte vermogenscurve onder de ruis te "tekenen".
De onderzoekers ontdekten dat hun beeldgebaseerde methode opmerkelijk goed werkte en de traditionele technieken overtrof. Wanneer ze hun systeem testten op een jaar aan gegevens die de computer nog nooit eerder had gezien, kon het nieuwe model de prestaties van de turbine met zeer hoge nauwkeurigheid voorspellen. Het slaagde erin de ware vermogenscurve te herstellen uit ruwe, ongefilterde gegevens zonder dat de slechte punten eerst handmatig verwijderd hoefden te worden. Sterker nog, het systeem was zo effectief dat het de fout in de voorspellingen met meer dan de helft verminderde ten opzichte van de beste traditionele methode die alleen op windsnelheid vertrouwde. Het systeem was ook in staat om de rommelige gegevens veroorzaakt door netbeperking (grid curtailment), waarbij de turbine wordt gedwongen af te remmen, te verwerken door onderscheid te maken tussen een machine die kapot is en een machine die simpelweg orders opvolgt.
Een van de meest opvallende resultaten was het vermogen van het systeem om zijn kennis over te dragen naar een ander type turbine zonder hertraining. De onderzoekers trainden hun model op gegevens van de grotere 2,5 megawatt turbines en pasten vervolgens exact hetzelfde computerprogramma toe op de kleinere 1,5 megawatt turbines. Hoewel de machines verschillende afmetingen hadden en de gegevens uit een ander jaar kwamen, produceerde het model nog steeds nauwkeurige curves. Dit suggereert dat het systeem de fundamentele vorm heeft geleerd van hoe een windturbine zich gedraagt, in plaats van alleen de specifieke details van één machine te memoriseren. De onderzoekers vergeleken hun op maat gemaakte systeem ook met een eerder gepubliceerde versie van deze technologie. Hun versie was aanzienlijk nauwkeuriger en verminderde de fouten in sommige gevallen met bijna 80 procent. Ze herleidden deze verbetering tot specifieke wijzigingen in hoe het systeem werd onderwezen en hoe het de gegevens las, wat bewees dat de manier waarop je het model traint net zo belangrijk is als het model zelf.
De studie benadrukte ook wat het systeem niet kan. Hoewel het model uitstekend is in het uitzoeken wat een turbine zou kunnen produceren op basis van het ontwerp en de wind, kan het niet de toekomstige vermogensoutput voorspellen als de windomstandigheden veranderen of als het elektriciteitsnet plotseling de stroom afsluit. Het is een instrument om terug te kijken en prestaties te begrijpen, niet om het weer te voorspellen. De onderzoekers merkten er zorgvuldig bij op dat hun succes beperkt was tot de specifieke windomstandigheden en turbinetypes die zij bestudeerden. Zij beweerden niet dat deze methode overal ter wereld of op elk soort turbine zou werken zonder aanpassingen. Echter, voor de windparken in Pakistan bood het systeem een betrouwbare manier om onderpresterende machines te screenen en te berekenen hoeveel energie er verloren ging door netbeperking, wat een helder, op gegevens gebaseerd beeld gaf van de gezondheid van de vloot zonder de noodzaak voor complexe handmatige opschoning van de records.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.