基于空间自回归方法的风电场群体级监测
机器学习
2023-10-17 v1 流体动力学
摘要
风电场运营商面临的一项重要挑战是降低运维成本。结构健康监测通过最小化不必要的维护出行以及延长涡轮机使用寿命来提供降本手段。基于群体的结构健康监测可通过为多个结构（即涡轮机）实施一套系统进一步降低健康监测系统的成本。同时，结构群体内共享的数据可改善结构行为的预测。为了在群体/风电场层面监测涡轮机性能，一个重要的初始步骤是构建一个描述所有涡轮机在正常条件下行为的模型。本文提出了一种群体级模型，显式捕捉由尾流效应引起的（涡轮机间的）空间与时间相关性。所提模型是一种基于高斯过程的空间自回归模型，此处命名为GP-SPARX模型。采用该方法的原因在于：(a)它反映了我们对尾流效应的物理理解，(b)它受益于基于数据的随机学习器。文中提供了一个案例研究，以展示GP-SPARX模型在捕捉空间与时间变化以及其在健康监测系统中潜在适用性方面的能力。
引用
@article{arxiv.2310.10555,
title = {Population-based wind farm monitoring based on a spatial autoregressive approach},
author = {W. Lin and K. Worden and E. J. Cross},
journal= {arXiv preprint arXiv:2310.10555},
year = {2023}
}
备注
8 pages, 4 figures, submitted to the Modern Practice in Stress and Vibration Analysis (MPSVA) 2022 Conference Proceedings