[논문 리뷰] Estimator Model for Prediction of Power Output of Wave Farms Using Machine Learning Methods

Bhavana Burramukku|arXiv (Cornell University)|2020. 11. 26.

Wave and Wind Energy Systems참고 문헌 24인용 수 4

한 줄 요약

이 논문은 호주 남부 해안의 네 가지 실제 파도 시나리오에서 수집한 데이터를 사용하여 파도 농장의 출력 전력을 예측하기 위한 기계학습 기반 신경 추정 모델을 제안한다. 완전히 잠수형인 세 개의 터널을 갖춘 CETO 파도 에너지 변환기(정의: WEC)를 사용하여, 모델은 파도 에너지 변환기의 배치 구성 방식을 분석하여 파워 흡수를 최적화하며, 현장에서 유래한 데이터를 바탕으로 한 지도 학습을 통해 고정밀도의 예측을 달성한다.

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.

연구 동기 및 목표

• 기계학습 기법을 사용하여 파도 농장의 전력 출력을 예측하는 모델을 개발하는 것.
• 파도 에너지 변환기(WEC)의 배열이 전력 흡수 효율성에 미치는 영향을 분석하는 것.
• 호주 남부 해안의 네 가지 시나리오에서 수집한 실제 파도 데이터를 활용하여 모델의 훈련 및 검증을 수행하는 것.
• WEC의 위치와 파도 조건에 기반하여 전력 출력 예측 성능을 평가하는 신경망 모델의 성능을 평가하는 것.
• 파도 농장에서 에너지 추출을 최대화하는 데 최적의 WEC 구성 구성을 규명하는 것.

제안 방법

• 네 가지 실제 파도 시나리오에서 수집한 데이터셋을 기반으로 훈련된 전방향 신경망을 사용한다. 이 데이터셋은 호주 남부 해안의 시험 현장에서 확보된 것이다.
• 입력 특징에는 파도 조건과 WEC의 위치 설정 파rameter가 포함되며, 목표 출력은 예측된 전력 출력이다.
• 모델은 시뮬레이션 및 데이터 생성의 기초로 완전히 잠수형인 세 개의 터널을 갖춘 CETO 파도 에너지 변환기를 사용한다.
• 입력 파도 및 기하학적 파rameter를 기반으로 기대 전력 출력을 매핑하기 위해 지도 학습을 사용하여 모델을 훈련시킨다.
• 모델 성능 평가에는 데이터셋의 보류된 테스트 세트를 사용한 표준 회귀 평가 지표가 사용된다.
• 전체 전력 생성에 영향을 미치는 다양한 WEC 어레이 구성 구성을 조사하여 영향을 분석한다.

실험 결과

연구 질문

• RQ1 파도 농장 내 WEC 어레이의 배열 방식이 전체 전력 출력에 어떤 영향을 미치는가?
• RQ2 기계학습 모델이 실제 파도 및 WEC 구성 데이터를 기반으로 파도 농장의 전력 출력을 정확하게 예측할 수 있는가?
• RQ3 에너지 흡수를 최대화하기 위해 최적의 WEC 위치 배치 구성은 무엇인가?
• RQ4 다양한 파도 조건은 신경망 모델의 예측 정확도에 어떤 영향을 미치는가?
• RQ5 신경망 모델은 전력 출력 추정에서 전통적인 물리적 모델링 접근 방식보다 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• 모델은 호주 남부 해안의 네 가지 다른 파도 시나리오에서 유래한 실제 데이터를 사용하여 높은 정확도로 파도 농장의 전력 출력을 예측하였다.
• 최적의 WEC 위치가 전체 전력 흡수를 크게 향상시켰으며, 어레이 구성의 중요성을 입증하였다.
• 모델는 파도 조건과 WEC 기하학적 구조 간의 비선형 상호작용을 전력 생성 과정에서 효과적으로 포착하였다.
• 현장에서 확보한 실제 데이터의 사용은 모델의 일반화 능력 향상과 파도 에너지 예측에 대한 실용적 적용 가능성을 높였다.
• 연구는 기계학습 기반 모델이 복잡한 시나리오에서 전통적인 분석 방법보다 뛰어난 성능을 보이며 파도 농장 성능 예측의 신뢰할 수 있는 추정 도구가 될 수 있음을 확인하였다.
• CETO 기반 모델은 다양한 파도 조건에서도 일관된 성능을 보이며, 그 견고성(로버스트함)을 입증하였다.