基于贝叶斯神经网络的海上风电场级虚拟载荷监测
机器学习
2026-05-08 v2 人工智能
系统与控制
系统与控制
统计计算
摘要
海上风电结构在其运行寿命期内面临劣化机制。即便可通过基于物理的劣化模型估算结构部件的劣化演化，该过程涉及的不确定性仍阻碍生命周期管理决策的选取。在此情形下，通过高效监测系统收集相关信息可降低不确定性，最终促成更优生命周期决策。然而，由于实际与经济约束，在风场所有风机上部署完整监测仪器可能不可行。此外，某些载荷监测系统在海环境暴露数年后常发生故障。针对上述关切，由领头风机引导的场级虚拟载荷监测方案提供了一种有吸引力的解决途径。利用 fully-instrumented 风机获取数据训练模型并部署，从而对非完全监测风机给出载荷预测，后者仅保留标准数据可用。本文提出一种经贝叶斯神经网络（BNN）表述的虚拟载荷监测框架，并提供构建、训练与部署BNN数据驱动虚拟监测模型的相关实现细节。与确定性对应模型不同，BNN内在给出生成载荷预测的不确定性，并能检测为非完全监测风机生成的不准确载荷估计。所提虚拟载荷监测通过某运行海上风场的实验活动充分验证，结果证明了BNN模型基于领头风机的场级虚拟监测的有效性。
引用
@article{arxiv.2211.00642,
title = {Farm-wide virtual load monitoring for offshore wind structures via Bayesian neural networks},
author = {N. Hlaing and Pablo G. Morato and F. d. N. Santos and W. Weijtjens and C. Devriendt and P. Rigo},
journal= {arXiv preprint arXiv:2211.00642},
year = {2026}
}