[论文解读] 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 4

一句话总结

该论文提出了一种融合证据性不确定性量化的物理信息神经网络（PINNs），以高精度预测风力涡轮机功率，同时遵守物理定律。该模型整合了扭矩-功率关系，实现了低于4%的平均绝对百分比误差（MAPE）和低于16 kW的平均绝对误差（MAE），其不确定性估计与实际误差一致，并可生成功率曲线的置信区间。

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.

研究动机与目标

• 开发基于拉豪特博恩风电场四台风电机组真实历史数据的高精度、鲁棒的风力涡轮机功率预测模型。
• 将物理约束——特别是扭矩-功率关系式 P = gTω ——整合到神经网络架构中，以提升模型保真度与泛化能力。
• 通过证据性输出层量化预测不确定性，实现置信区间与涡轮机性能异常检测。
• 通过保证可微性与物理一致性，使模型适用于实时控制与维护系统。

提出的方法

• 采用物理信息神经网络（PINNs），联合最小化数据损失与物理定律损失，通过专用层强制实现 P = gTω 方程。
• 使用两隐藏层神经网络，从输入（风速 v、桨距角 β、转子转速 ω）回归功率，同时将扭矩 T 作为额外输入。
• 应用 lambda 层进行单位标准化与转换，确保原始单位下扭矩、角速度与功率之间的物理一致性。
• 引入证据性输出层以估计认知不确定性，将预测置信度建模为狄利克雷分布。
• 在预处理阶段剔除30%异常点后，使用70%的数据进行模型训练。
• 通过测试集验证模型，将预测结果与真实数据、制造商曲线及理论方程进行对比。

(a)

实验结果

研究问题

• RQ1 物理信息神经网络是否能在遵守基本物理定律的前提下，提升风力涡轮机功率预测的准确性？
• RQ2 当经验公式失效时，数据驱动模型在多大程度上能捕捉风速、桨距角与功率输出之间的非线性关系？
• RQ3 证据性不确定性量化能否提供与实际预测误差相关联的可靠置信区间？
• RQ4 整合物理约束在多大程度上提升了模型在不同涡轮机运行条件下的鲁棒性与泛化能力？

主要发现

• PINN 模型在测试集上的平均绝对百分比误差（MAPE）低于4%，平均绝对误差（MAE）低于16 kW。
• 证据性层预测的不确定性与绝对误差一致，支持在功率曲线上生成可靠的置信区间。
• 模型准确再现了实测数据与物理方程 P = gTω，表现出对基础物理解释的强一致性。
• 模型预测的功率曲线与制造商规格高度吻合，尤其在风速5–15 m/s范围内表现优异。
• 模型的可微性支持其集成到最优桨距角控制系统中，以最大化发电量。
• 预处理阶段有效过滤了异常数据点，提升了模型的可靠性与性能。

(b)