Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction
机器学习
2025-02-12 v1 人工智能
计算工程、金融与科学
摘要
风能部门的快速发展凸显了优化涡轮操作并通过早期故障检测系统确保有效维护的迫切需求。虽然传统的经验模型和基于物理的模型通常基于风速提供大致的发电量预测，但它们往往无法捕捉其他输入变量与结果发电量之间复杂的非线性关系。数据驱动的机器学习方法为通过利用大数据来改进涡轮建模、增强预测准确性提供了前景，但往往以可解释性为代价。本研究提出了一种混合半参数模型，应用于来自具有四个涡轮的风电场的数据。该模型将基于物理的子模型（提供发电量的合理近似）与非参数子模型（预测残差）相结合。该非参数子模型在更广泛的变量范围内进行训练，以纠正基于物理成分未捕获的现象。该混合模型相对于基于物理的模型实现了37%的预测准确性提升。为增强可解释性，我们使用SHAP值来分析输入特征对残差子模型输出的影响。此外，使用共形化分位数回归方法对预测不确定性进行量化。该方法的组合，以及基于物理的准参数子模型，提供了一个灵活、准确且可靠的框架。最终，本研究为评估未建模变量对风涡轮发电量的影响，提供了潜在优化的基础。
引用
@article{arxiv.2502.07344,
title = {Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction},
author = {Alfonso Gijón and Simone Eiraudo and Antonio Manjavacas and Daniele Salvatore Schiera and Miguel Molina-Solana and Juan Gómez-Romero},
journal= {arXiv preprint arXiv:2502.07344},
year = {2025}
}