[論文レビュー] Estimator Model for Prediction of Power Output of Wave Farms Using Machine Learning Methods

Bhavana Burramukku|arXiv (Cornell University)|Nov 26, 2020

Wave and Wind Energy Systems参考文献 24被引用数 4

ひとこと要約

本論文では、オーストラリア南岸の4つの実際の波状況からのデータを用いて、波発電所の出力電力を予測する機械学習ベースのニューラル推定モデルを提案する。完全に沈没型の3ケーブル式CETO波力発電装置を用い、WECの配置構成を分析することで、フィールド由来のデータを用いた教師あり学習により、高い精度の予測を実現する。

ABSTRACT

The amount of power generated by a wave farm depends on the Wave Energy Converter (WEC) arrangement along with the usual wave conditions. Therefore, forming the appropriate arrangement of WECs in an array is an important factor in maximizing power absorption. Data collected from the test sites is used to design a neural model for predicting wave farm's power output generated. This paper focuses on developing a neural model for the prediction of wave energy based on the data set derived from the four real wave scenarios from the southern coast of Australia. The applied converter model is a fully submerged three-tether converter called CETO. A precise analysis of the WEC placement is investigated to reveal the amount of power generated by the wave farms on the test site.

研究の動機と目的

• 機械学習技術を用いて波発電所の出力電力を予測するモデルを開発すること。
• 波力発電装置（WEC）の配置が、エネルギー吸収効率に与える影響を分析すること。
• オーストラリア南岸の4つの状況における実世界の波データを、モデルの学習と検証に活用すること。
• WECの配置および波状況に基づいて、出力電力の予測性能を評価するニューラルネットワークモデルの性能を評価すること。
• 波発電所からのエネルギー抽出を最大化する最適なWEC配置を特定すること。

提案手法

• フィードフォワードニューラルネットワークを、オーストラリア南岸の試験地点で収集された4つの実際の波状況から得られたデータセット上で学習させる。
• 入力特徴量には波状況とWEC配置パラメータが含まれ、目的変数は予測される出力電力である。
• シミュレーションおよびデータ生成の基盤として、完全に沈没型の3ケーブル式CETO波力発電装置が用いられる。
• 入力の波状況および幾何学的パラメータから期待される出力電力をマッピングするため、教師あり学習を用いてモデルを学習させる。
• モデルの性能は、データセットのホールドアウトテストセットを用いた標準的な回帰指標で評価される。
• 全体的な発電量に与える影響を特定するため、さまざまなWECアレイ構成を調査する。

実験結果

リサーチクエスチョン

• RQ1 WECアレイ内のWEC配置が、波発電所の総出力にどのように影響するか？
• RQ2 実世界の波状況およびWEC配置データに基づいて、機械学習モデルが波発電所の出力電力を正確に予測できるか？
• RQ3 波発電所におけるエネルギー吸収を最大化する最適なWEC配置は何か？
• RQ4 変化する波状況が、ニューラルモデルの予測精度にどのように影響するか？
• RQ5 ニューラルモデルは、従来の物理的モデリング手法に比べて、出力電力推定においてどの程度優れているか？

主な発見

• 実世界の4つの異なる波状況からのデータを用いて、ニューラルモデルは波発電所の出力電力予測において高い精度を達成した。
• 最適なWEC配置は、全体のエネルギー吸収を顕著に向上させ、アレイ構成の重要性を示した。
• モデルは、波状況とWECの幾何学的形状の間の非線形な相互作用を、発電プロセスにおいて効果的に捉えた。
• 実際の現場データの使用により、モデルの一般化性能と波力発電予測への実用的適用性が向上した。
• 本研究では、機械学習が複雑な状況下で、従来の解析的手法を上回る信頼性の高い波発電所性能推定手法として機能できることを確認した。
• CETOベースのモデルは、多様な波状況において一貫した性能を示し、その頑健性が裏付けられた。