[论文解读] 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 4

一句话总结

本文提出了一种基于机器学习的神经估计算法模型，利用澳大利亚南部海岸四个真实波浪场景的数据，预测波浪农场的发电量。基于全浸没式三缆索CETO波浪能转换器，该模型分析波浪能转换器（WEC）的布置配置，以优化能量吸收，通过实地数据集上的监督学习实现高精度预测。

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.

研究动机与目标

• 开发一种基于机器学习技术的波浪农场发电量预测模型。
• 分析波浪能转换器（WEC）排列对能量吸收效率的影响。
• 利用澳大利亚南部海岸四个场景的真实波浪数据进行模型训练与验证。
• 评估神经网络模型在基于WEC布置和波浪条件预测发电量方面的性能。
• 识别出能最大化波浪农场能量提取的最优WEC配置。

提出的方法

• 使用在澳大利亚南部海岸测试场地收集的四个真实波浪场景数据，训练前馈神经网络。
• 输入特征包括波浪条件和WEC布置参数，目标输出为预测的发电量。
• 以全浸没式三缆索CETO波浪能转换器为基础进行仿真与数据生成。
• 通过监督学习训练模型，将输入的波浪与几何参数映射到预期的发电量。
• 使用标准回归指标在数据集的保留测试集上评估模型性能。
• 研究多种WEC阵列配置，以确定其对整体发电量的影响。

实验结果

研究问题

• RQ1 WEC在阵列中的排列方式如何影响波浪农场的总发电量？
• RQ2 机器学习模型能否基于真实世界的波浪与WEC配置数据准确预测波浪农场发电量？
• RQ3 为最大化波浪农场能量吸收，最优的WEC布置配置是什么？
• RQ4 不同的波浪条件如何影响神经网络模型的预测准确性？
• RQ5 在复杂场景中，该神经网络模型在发电量估算方面相较于传统物理建模方法有多大优势？

主要发现

• 该神经模型利用四个不同波浪场景的真实世界数据，对波浪农场发电量实现了高精度预测。
• 最优的WEC布置显著提高了总能量吸收，证明了阵列配置的重要性。
• 该模型有效捕捉了波浪条件与WEC几何结构之间在发电过程中的非线性相互作用。
• 使用真实现场数据提升了模型的泛化能力与波浪能预测的实际应用价值。
• 研究证实，机器学习可作为波浪农场性能的可靠估算工具，在复杂场景中优于传统的分析方法。
• 基于CETO的模型在各种波浪条件下表现出一致的性能，验证了其鲁棒性。