Modèle génératif basé sur les données visant à créer des données synthétiques pour la prévision à long terme du fonctionnement des turbines à gaz

Résumé La prédiction de l'état de santé futur des turbines à gaz (GT) joue un rôle stratégique dans le secteur énergétique actuel. Cependant, entraîner un modèle prognostique précis est un défi en cas de données historiques limitées (par exemple, nouvelle installation). Ainsi, cet article développe un modèle de réseau antagoniste génératif (GAN) visant à générer des données synthétiques pouvant être utilisées pour l'augmentation des données. Le modèle GAN comprend deux réseaux de neurones, à savoir un générateur et un discriminateur. Le générateur vise à produire des données synthétiques qui imitent les données réelles. Le discriminateur est un réseau de classification binaire. Pendant le processus d'entraînement, le générateur est optimisé pour tromper le discriminateur dans sa capacité à distinguer entre les données réelles et synthétiques. Les données réelles utilisées dans cet article proviennent de la littérature, collectées à partir de trois GT, et se réfèrent à deux quantités, à savoir la puissance de sortie corrigée et l'efficacité du compresseur, qui sont suivies pendant plusieurs années. Trois analyses différentes sont présentées pour valider la fiabilité du jeu de données synthétiques. Tout d'abord, une comparaison visuelle entre les données réelles et synthétiques est réalisée. Ensuite, deux métriques sont utilisées pour évaluer quantitativement la similitude entre les distributions des données réelles et synthétiques. Enfin, un modèle prognostique est entraîné uniquement en utilisant des données synthétiques, puis utilisé pour prédire des données réelles. Les résultats prouvent la haute fiabilité des données synthétiques, qui peuvent ainsi être exploitées pour entraîner un modèle prognostique. En effet, l'erreur de prédiction du modèle prognostique sur les données réelles est inférieure à 2,5 % même dans le cas de prévisions à long terme.