面向可解释性与泛化性的物理引导机器学习风电场功率预测
流体动力学
2023-04-06 v2
摘要
随着来自模拟与实验的可用数据不断增加，用于风电场功率预测的数据驱动模型开发研究显著增长。虽然数据驱动模型能成功预测与训练集合特征相似的风电场功率，但相较于基于物理的模型，它们通常对外推至未见案例缺乏高度灵活性。本文关注具有改进可解释性与泛化性水平的数据驱动模型，其可预测风电场中涡轮机的性能。为准备数据集，基于运行中风电场的布局定义了若干案例，并进行了大规模计算流体动力学模拟。随后使用极端梯度提升算法构建模型，其以涡轮机级几何输入结合来自基于物理模型的效率作为特征。训练后，为分析模型的泛化能力，将其对不同运行条件、来流湍流水平和风电场布局下未见案例的预测与Park模型及经验解析高斯尾流模型进行比较。结果表明，物理引导机器学习模型优于两种基于物理的模型，展现出高度泛化性，且该机器对物理引导模型的选择不敏感。
引用
@article{arxiv.2212.04188,
title = {Physics-guided machine learning for wind-farm power prediction: Toward interpretability and generalizability},
author = {Navid Zehtabiyan-Rezaie and Alexandros Iosifidis and Mahdi Abkar},
journal= {arXiv preprint arXiv:2212.04188},
year = {2023}
}