Site-adapted U-Net and classical benchmarking for wind turbine power curve modeling under SCADA data quality variation
本文表明，一种基于站点适配的图像化 U-Net 模型，通过利用带有控制器衍生能力目标的 SCADA 数据进行训练，在准确模拟巴基斯坦不同风电场规模及数据质量条件下的风力发电机功率曲线方面，显著优于传统的曲线模型和梯度提升模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
风力涡轮机是巨大的机器，能将无形的风力转化为电能，但它们产生的功率并不总是完全可预测的。为了了解一台涡轮机的运行效率如何，工程师们会观察其“功率曲线”，这是一条简单的线条，显示了在任何给定风速下，该机器应该产生多少电量。在理想世界中，这条线应该是平滑且一致的，随着风力的增强稳步上升，直到机器达到其最大极限。然而，现实世界是混乱的。由于电网限制、维护问题或安全控制，即使风力很强，涡轮机也经常停止发电。当工程师试图利用涡轮机记录的原始数据来绘制功率曲线时，图像会变成一片散乱的点云，其中许多点都远低于预期的曲线。这使得人们很难分辨出一台涡轮机是坏了，还是仅仅在执行既定的指令。
来自巴基斯坦国立科学技术大学的一个研究小组致力于解决这个数据混乱的问题。他们想要找到一种方法，即使在记录中充满中断和间隙的情况下，也能看到风力涡轮机的真实潜力。他们在吉姆皮尔（Jhimpir）风走廊的两组不同的风电场上测试了他们的想法，一组使用的是较大的机器，另一组使用的是稍小的机器。研究人员将传统的数学方法（即尝试通过散乱的点拟合出一条平滑曲线的方法）与一种将数据视为图像的新方法进行了比较。他们使用了一种名为 U-Net 的人工智能类型，这种类型旨在识别图像模式，通过观察数据点的云团，在噪声之下“画出”清晰、正确的功率曲线。
研究人员发现，他们基于图像的方法效果显著，优于传统技术。当他们在计算机从未见过的为期一年的数据上进行测试时，新模型能够以极高的准确度预测涡轮机的性能。它能够在无需手动剔除异常点的情况下，从原始、未经处理的数据中恢复出真实的功率曲线。事实上，该系统非常有效，与仅依赖风速的最佳传统方法相比，它将预测误差降低了一半以上。该系统还能处理由电网限电（即涡轮机被迫减速）造成的混乱数据，因为它能够区分出机器是故障了还是仅仅在听从指令。
其中一个最令人瞩目的结果是，该系统能够在不进行重新训练的情况下，将其知识迁移到另一种类型的涡轮机上。研究人员使用来自较大的 2.5 兆瓦涡轮机的数据来训练他们的模型，然后将完全相同的计算机程序应用于较小的 1.5 兆瓦涡轮机。尽管机器尺寸不同且数据来自不同年份，该模型仍然能生成准确的曲线。这表明该系统学习的是风力涡轮机行为的基本形态，而不仅仅是记忆某一台机器的具体细节。研究人员还将他们定制的系统与之前发表过的该项技术的版本进行了对比。他们的版本明显更准确，在某些情况下将误差降低了近 80%。他们将这种改进归功于系统学习方式和读取数据方式的具体变化，证明了训练模型的方式与模型本身同样重要。
该研究也强调了该系统的局限性。虽然该模型非常擅长根据设计和风力情况推断出一台涡轮机“可能”产生的功率，但它无法在风况发生变化或电网突然切断电源时预测未来的功率输出。它是一个用于回顾并理解性能的工具，而不是用于天气预报。研究人员谨慎地指出，他们的成功仅限于所研究的特定风况和涡轮机类型。他们并未声称这种方法在无需调整的情况下可以在世界各地或任何种类的涡轮机上奏效。然而，对于巴基斯坦的风电场而言，该系统提供了一种可靠的方法，用于筛选表现不佳的机器并计算因限电造成的能量损失，从而在无需对记录进行复杂人工清洗的情况下，为整个机组的健康状况提供了一个清晰的、数据驱动的图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。