Datengetriebene Imputation fehlender Daten für Windkraftanlagen mittels Kontextencoder

Hochwertige Datensätze sind von größter Bedeutung für den Betrieb und die Planung von Windkraftanlagen. Die vom System zur Überwachung, Steuerung und Datenerfassung (SCADA) gesammelten Datensätze können jedoch aufgrund verschiedener Faktoren wie Sensorfehler und Kommunikationsstau fehlende Daten enthalten. In dieser Arbeit wird ein datengetriebener Ansatz vorgeschlagen, um die fehlenden Daten von Windkraftanlagen basierend auf einem Kontextencoder (CE) zu füllen, der aus einem Encoder, einem Decoder und einem Diskriminator besteht. Durch tiefe faltungsbasierte neuronale Netze ist die vorgeschlagene Methode in der Lage, automatisch die komplexen nichtlinearen Merkmale der Datensätze zu erkunden, die schwer explizit modelliert werden können. Die vorgeschlagene Methode kann nicht nur die umgebende Kontextinformation durch den rekonstruierten Verlust voll ausnutzen, sondern auch das Füllen der Daten realistisch erscheinen lassen durch den adversarialen Verlust. Darüber hinaus wird die Korrelation zwischen mehreren fehlenden Attributen berücksichtigt, indem das Format der Eingabedaten angepasst wird. Die Simulationsergebnisse zeigen, dass CE besser abschneidet als traditionelle Methoden für die Attribute von Windkraftanlagen, die markante Merkmale wie große Spitzen, große Täler und schnelle Steigungen aufweisen. Darüber hinaus zeigt CE eine stärkere Generalisierungsfähigkeit als traditionelle Methoden wie Autoencoder, K-means, k-nächste Nachbarn, rückpropagierende neuronale Netze, kubische Interpolation und bedingte generative adversarielle Netzwerke für unterschiedliche Skalen fehlender Daten.