基于物理信息神经网络与证据不确定性量化的风力机功率预测
机器学习
2023-07-28 v1 人工智能
摘要
风能的日益增长使得有必要通过变桨距角控制器优化涡轮运行，并通过早期故障检测进行维护。拥有准确且鲁棒的模拟风力机行为的模型至关重要，尤其是预测作为风速函数的发电功率。现有的经验与基于物理的模型在捕捉输入变量与功率之间复杂关系方面存在局限，且因风的变化性而加剧。数据驱动方法通过提高精度与效率，为增强大型数据集的风力机建模提供了新机遇。在本研究中，我们使用物理信息神经网络（physics-informed neural networks）来复现来自风场中 4 台涡轮的历史数据，同时对模型施加特定物理约束。所开发的以功率、转矩和功率系数为输出变量的回归模型，对真实数据与支配系统的物理方程均表现出极高精度。最后，引入高效的证据层提供了预测的不确定性估计，被证明与绝对误差一致，并使得功率曲线中置信区间的界定成为可能。
引用
@article{arxiv.2307.14675,
title = {Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification},
author = {Alfonso Gijón and Ainhoa Pujana-Goitia and Eugenio Perea and Miguel Molina-Solana and Juan Gómez-Romero},
journal= {arXiv preprint arXiv:2307.14675},
year = {2023}
}