SCADAデータに基づくサポートベクターマシン風力タービンパワーカーブの不確実性推定とその比較研究

タービンメーカーから提供されるパワーカーブは、状態監視、エネルギー推定、および運用効率の向上において広く使用されている。しかし、パワーカーブの測定は通常ハブ高でのみ行われるため、それらにはかなりの不確実性が伴う。データ駆動型モデルの精度は不確実性によって大きく影響を受ける。したがって、不確実性を正確に推定することは、データ駆動型手法に基づく性能/状態監視およびエネルギー予測の取り組みを改善するための信頼性を風力発電事業者に提供する。サポートベクターマシン（SVM）はデータ駆動型の機械学習アプローチであり、分類や回帰に関連する問題の解決に広く用いられている。モデルに関連する不確実性は、それ自体が推定される信頼区間（CIs）を用いて定量化される。本研究では、SVMベースのパワーカーブモデルに関連する不確実性を測定するために、点ごとのCIsと同時CIsという2つのアプローチを提案する。SVMモデルの精度を向上させるため、カーネル関数として動径基底関数を採用している。提案された手法は、ピッチ制御風力タービンから取得された広範な10分平均監視制御・データ収集（SCADA）データによって検証される。結果から、提案された両方の手法がSVMパワーカーブの不確実性の測定に有効であることが示唆され、その中でも点ごとのCIsは比較的小さなCIsを生成するため最も精度が高いことが判明した。したがって、SVMパワーカーブと点ごとのCIsに基づいて故障検出アルゴリズムを構築した場合、点ごとのCIsの方が異常データを排除する能力に優れている。本論文では、提案された研究の長所と短所を詳細に説明し、これが洋上風力タービンの状態監視および/または性能監視活動にどのように活用できるかについての基礎を提示する。