[논문 리뷰] Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification

Alfonso Gijón, Ainhoa Pujana-Goitia외 3명|arXiv (Cornell University)|2023. 07. 27.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 물리 법칙을 준수하면서 높은 정확도로 풍력 터빈의 발전량을 예측하기 위해 증거 기반 불확실성 정량화를 통합한 물리 기반 신경망(PINNs)을 제안한다. 모델은 토크-발전량 관계를 통합하여 MAPE가 4% 미만이고 MAE가 16 kW 이하를 달성했으며, 실제 오차와 일치하는 불확실성 추정치를 제공하여 발전량 곡선에 대한 신뢰구간을 가능하게 한다.

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.

연구 동기 및 목표

• 라 오테 보른 풍력발전소의 네 대의 터빈에서 확보한 실질적인 역사 데이터를 활용하여 정확하고 견고한 풍력 터빈 발전량 예측 모델을 개발한다.
• 특히 발전량-토크 관계식 P = gTω를 신경망 아키텍처에 물리적 제약 조건으로 통합하여 모델의 정밀도와 일반화 능력을 향상시킨다.
• 증거 기반 레이어를 활용한 예측 불확실성 정량화를 통해 신뢰구간 제공 및 터빈 성능 이상 탐지 기능을 가능하게 한다.
• 모델의 미분 가능성과 물리적 일관성을 확보하여 실시간 제어 및 유지보수에의 적용을 가능하게 한다.

제안 방법

• 데이터 손실과 물리 법칙 손실을 동시에 최소화하는 물리 기반 신경망(PINNs)을 사용하여 P = gTω 식이 전용 레이어를 통해 강제 적용되도록 한다.
• 풍속 v, 피치 각도 β, 로터 속도 ω를 입력으로 하여 발전량을 회귀하는 두 개의 은닉층을 가진 신경망을 사용하며, 토크 T를 추가 입력으로 포함한다.
• 단위 표준화 및 변환을 위해 람다 레이어를 적용하여 원래 단위에서 토크, 각속도, 발전량 간의 물리적 일관성을 확보한다.
• 예측 신뢰도를 디리클레 분포로 모델링하기 위해 증거 기반 출력 레이어를 통합하여 지식 기반 불확실성(에피스테믹 불확실성)을 추정한다.
• 사전 처리 과정에서 식별된 30%의 이상치 데이터를 제거한 후 전체 데이터의 70%를 사용해 모델을 훈련시켰다.
• 검증 세트를 사용하여 예측치를 실제 데이터, 제조사 제공 곡선, 이론적 식과 비교함으로써 모델을 검증하였다.

(a)

실험 결과

연구 질문

• RQ1 물리 기반 신경망은 기본 물리 법칙을 준수하면서도 풍력 터빈 발전량 예측 정확도를 향상시킬 수 있는가?
• RQ2 경험 공식이 실패할 경우, 데이터 기반 모델이 바람 속도, 피치 각도, 발전량 간의 비선형 관계를 얼마나 잘 포착할 수 있는가?
• RQ3 증거 기반 불확실성 정량화는 실제 예측 오차와 상관관계를 가지며 신뢰구간을 신뢰성 있게 제공할 수 있는가?
• RQ4 물리적 제약 조건을 통합할 경우, 터빈 운영 조건 전반에 걸쳐 모델의 견고성과 일반화 능력은 어느 정도 향상되는가?

주요 결과

• PINN 모델은 테스트 세트 전반에서 평균 절대 퍼센티지 오차(MAPE)가 4% 미만이며, 평균 절대 오차(MAE)가 16 kW 이하로 도달했다.
• 증거 기반 레이어에서 예측한 불확실성은 절대 오차와 일치하여 발전량 곡선에 대한 신뢰구간을 신뢰성 있게 제공할 수 있었다.
• 모델는 실제 데이터와 물리 방정식 P = gTω를 모두 정확히 재현하여 기초 물리 법칙을 철저히 준수함을 입증했다.
• 모델이 예측한 발전량 곡선은 특히 바람 속도 5–15 m/s 범위에서 제조사 사양과 매우 유사하게 나타났다.
• 모델의 미분 가능성 덕분에 최적의 피치 각도 제어 시스템에의 통합이 가능하여 발전량 최적화가 가능하다.
• 사전 처리 과정에서 이상치 데이터가 효과적으로 걸러져 모델의 신뢰성과 성능이 향상되었다.

(b)