本研究では、データ拡張技術を適用することによるガスタービン最大出力予測モデルの性能向上を調査します。ガスタービンの最大出力を正確に予測することは、安定した電力システムの運用と経済的な配電に不可欠であり、環境条件（外部温度、湿度、圧力など）や設備の状態によって複雑に決定されます。最初に、ガスタービンの運転データとコンバインドサイクル発電所からの対応する気象データを統合して予測モデルが開発されました。このプロセスにおける重要な課題は、実世界のデータセットの量と変動性が限られていることであり、これがモデルの精度と一般化性を制約しています。この制限を克服するために、より頑健で多様なトレーニングセットを生成するためにデータ拡張技術を導入・適用しました。XGBoostおよびLightGBMアルゴリズムを利用した予測モデルは、データ拡張を適用した後、性能が大幅に向上しました。具体的には、データ拡張の適用によりRMSEが約2MWに軽減され、元のデータのみで訓練されたモデルと比較して最大18%の誤差低減を達成しました。これらの結果は、データの不足問題を軽減し、ガスタービン最大出力モデルの予測精度と信頼性を大幅に向上させるデータ拡張技術の高い効果を実証しています。
Kim et al. (Mon,) がこの問題を研究しました。