面向风力发电组件的物理约束RNN通用温度预测

机器学习在当前风能发电系统的运行中发挥着重要作用。其中一个核心应用是预测性维护，通过减少停机时间来提高效率并降低电力成本。将基于物理的知识集成到神经网络中以强制其物理可行性是一种有前景的方法，以改进当前方法，但不完整的系统信息常常阻碍其在现实场景中的应用。我们描述了一种简单且高效的做法，用于在部分系统知识的情况下进行基于物理约束的深度学习预测性维护，专用于风力发电机齿轮箱轴承。该方法基于受物理约束的温度预测，其中未知的系统系数被视为可学习的神经网络参数。结果表明，与基线神经网络相比，我们的方法在未见环境下的泛化性能得到提高，这在现实世界应用中常见的低数据场景尤为重要。