[論文レビュー] Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification

Alfonso Gijón, Ainhoa Pujana-Goitia+3 more|arXiv (Cornell University)|Jul 27, 2023

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本稿では、物理法則を尊重しながら高い精度で風力タービンの出力予測を行うために、証拠的不確実性評価を組み込んだ物理知性ニューラルネットワーク（PINNs）を提案する。モデルはトルク-出力関係を統合しており、MAPEが4%未満、MAEが16 kW未満に抑えられ、実際の誤差と整合性のある不確実性推定が得られ、出力曲線の信頼区間の構築が可能である。

ABSTRACT

The ever-growing use of wind energy makes necessary the optimization of turbine operations through pitch angle controllers and their maintenance with early fault detection. It is crucial to have accurate and robust models imitating the behavior of wind turbines, especially to predict the generated power as a function of the wind speed. Existing empirical and physics-based models have limitations in capturing the complex relations between the input variables and the power, aggravated by wind variability. Data-driven methods offer new opportunities to enhance wind turbine modeling of large datasets by improving accuracy and efficiency. In this study, we used physics-informed neural networks to reproduce historical data coming from 4 turbines in a wind farm, while imposing certain physical constraints to the model. The developed models for regression of the power, torque, and power coefficient as output variables showed great accuracy for both real data and physical equations governing the system. Lastly, introducing an efficient evidential layer provided uncertainty estimations of the predictions, proved to be consistent with the absolute error, and made possible the definition of a confidence interval in the power curve.

研究の動機と目的

• ラ・オート・ボーン風力発電所の4台のタービンから得られた実際の歴史的データを用いて、高精度で頑健な風力タービン出力予測モデルを開発すること。
• 具体的には、出力P = gTωというトルク-出力関係をニューラルネットワークのアーキテクチャに統合することで、モデルの忠実性と一般化性能を向上させること。
• 証拠的レイヤーを用いた予測不確実性の評価により、信頼区間の構築とタービン性能の異常検出を可能にすること。
• モデルの微分可能性と物理的一致性を確保することで、リアルタイム制御および保守への応用を可能にすること。

提案手法

• データ損失と物理法則損失を同時に最小化する物理知性ニューラルネットワーク（PINNs）を採用し、P = gTωの式を専用レイヤーで強制的に満たす。
• 風速v、ピッチ角β、回転速度ωを入力として出力を回帰する二層隠れ層のニューラルネットワークを用い、トルクTを追加の入力として取り入れた。
• λレイヤーを適用して単位の標準化と変換を実施し、トルク、角速度、出力の物理的一致性を元の単位系で保証した。
• 予測の信頼性をディリクレ分布でモデル化する証拠的出力レイヤーを統合し、エピステミック的不確実性を推定した。
• 事前処理段階で特定された異常データ点の30%を除外した後、全データの70%を訓練に使用した。
• テストセットを用いた検証を行い、予測結果を実測値、メーカーの出力曲線、理論式と比較した。

(a)

実験結果

リサーチクエスチョン

• RQ1 物理知性ニューラルネットワークは、基本的な物理法則を尊重しながら、風力タービン出力予測の精度を向上させることができるか？
• RQ2 経験則式が不成立となる状況下でも、データ駆動型モデルが風速、ピッチ角、出力の非線形的関係をどれほど正確に捉えることができるか？
• RQ3 証拠的不確実性評価は、実際の予測誤差と相関する信頼性の高い信頼区間を提供できるか？
• RQ4 物理的制約を統合することで、タービンの運転条件にわたるモデルの頑健性と一般化性能はどの程度向上するか？

主な発見

• PINNモデルは、テストセット全体において平均絶対誤差率（MAPE）が4%未満、平均絶対誤差（MAE）が16 kW未満に抑えられた。
• 証拠的レイヤーから得られた予測不確実性は、絶対誤差と整合的であり、出力曲線の信頼区間の信頼性を保証した。
• モデルは実測データと物理的方程式P = gTωの両方を正確に再現しており、物理的整合性が強く保証された。
• モデルが予測する出力曲線は、特に風速5–15 m/sの範囲でメーカー仕様とよく一致した。
• モデルの微分可能性のおかげで、出力最大化を目的とした最適ピッチ角制御システムへの統合が可能となった。
• 事前処理段階で異常データ点が効果的に除外され、モデルの信頼性と性能が向上した。

(b)