DOI: https://doi.org/10.5194/wes-10-1137-2025
تاريخ النشر: 2025-06-25
المؤلف: Simon Daenens وآخرون
الموضوع الرئيسي: تحميل الطاقة وتوقعات القدرة
نظرة عامة
تقدم هذه الورقة البحثية نموذجًا جديدًا للتنبؤ بإنتاج الطاقة من توربينات الرياح في مزارع الرياح بدقة زمنية عالية تبلغ 30 ثانية، باستخدام الشبكات العصبية البيانية (GNNs) لتمثيل مزرعة الرياح كرسوم بيانية. يتضمن النموذج مكونًا زمنيًا من خلال شبكة الذاكرة طويلة وقصيرة الأمد (LSTM)، التي تعالج ميزات الإدخال الزمنية قبل أن يتم تجميعها بواسطة GNN. تظهر النتائج أن كل من نماذج GNN المكانية والزمنية المكانية تتفوق بشكل كبير على الطرق التقليدية لمنحنى الطاقة، محققة تخفيضات في متوسط الخطأ المطلق (MAE) بحوالي 22.6% و30.3%، وفي متوسط الخطأ النسبي المطلق (MAPE) بحوالي 20.7% و30.5%، على التوالي. يتميز GNN الزمني المكاني بشكل خاص في التقاط كل من الديناميات المكانية والزمنية، محققًا متوسط خطأ مرجح قدره 0.0373، وهو تحسن بنسبة 57.4% مقارنة بطريقة تجميع منحنى الطاقة.
بالإضافة إلى تحسين دقة التنبؤ بالطاقة، يكشف النموذج بفعالية عن حالات انخفاض أداء التوربينات ويحلل أحداث غير طبيعية متنوعة تتجاوز سجلات الحالة القياسية. تم دمجه في إطار نموذج السلوك الطبيعي (NBM)، حيث يقلل GNN الزمني المكاني من معدل أحداث فقدان الطاقة غير المكتشفة من 12.6% إلى 0.02% فقط. تؤكد الدراسة على قابلية توسيع النموذج وعمليته، حيث يمكن أن يخدم GNN الزمني المكاني واحد مزرعة رياح كاملة مع جهد حسابي ضئيل. تشمل اتجاهات البحث المستقبلية تحسين دقة النموذج من خلال عوامل بيئية إضافية وتوسيع تطبيقه عبر مزارع رياح متعددة، مما قد يسهل جهود توحيد البيانات واستخدام الأنطولوجيات لدمج البيانات بشكل متسق.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لطاقة الرياح في تلبية الطلبات العالمية على الطاقة مع دعم جهود الاستدامة للتخفيف من تغير المناخ. تقدم مزارع الرياح البحرية، على وجه الخصوص، فرصة لاستغلال موارد الرياح الأقوى والأكثر اتساقًا، مما يجعلها أكثر جدوى اقتصادية مع تقدم التكنولوجيا وانخفاض التكاليف. يعد التقدير الدقيق للطاقة أمرًا ضروريًا لتحسين عمليات التوربينات والصيانة، مما يسمح للمشغلين بزيادة إنتاج الطاقة وتقليل التكاليف. تحدد الورقة سؤالين بحثيين رئيسيين: إمكانية تحسين دقة التنبؤ بالطاقة من خلال الاتجاهات الزمنية والقياسات المدمجة، واكتشاف أحداث فقدان الطاقة من خلال مقارنة المخرجات المتوقعة مع الأداء الفعلي.
لمعالجة هذه الأسئلة، يقترح المؤلفون تنفيذ نموذج سلوك طبيعي (NBM) يتعرف على الأنماط التشغيلية النموذجية، مما يسهل تحديد الشذوذ في أداء التوربينات. تسلط الدراسة أيضًا الضوء على الآثار الاقتصادية لأحداث فقدان الطاقة والتقليصات، مشددة على الحاجة إلى استراتيجيات مصقولة للتخفيف من هذه القضايا. علاوة على ذلك، يقدم المؤلفون نموذجًا مصممًا للتنبؤ بالطاقة المحتملة للتوربينات التي تعمل في ظروف الاستيقاظ، باستخدام بيانات عالية الدقة من نظام التحكم والمراقبة (SCADA). توضح الورقة هيكلها، موضحة سياق الأدبيات، والمنهجية، وتحليل أداء النموذج، ومناقشات النتائج الرئيسية، بهدف تعزيز طرق التحكم في مزارع الرياح وكفاءة العمليات.
طرق
تستخدم المنهجية المقترحة بيانات SCADA عالية الدقة للتنبؤ بالإنتاج المحتمل للطاقة من توربينات الرياح الفردية داخل مزرعة الرياح. يوضح هذا القسم المكونات الأساسية لإطار النمذجة، مع التركيز على خيارات التصميم التي تمكن من تطبيقه عبر مزارع الرياح المختلفة. يتم تقديم أوصاف مفصلة للبيانات وخط أنابيب المعالجة المسبقة في القسم 3.1، بينما يقدم القسم 3.2 تمثيلًا بيانيًا لمزرعة الرياح لتسهيل النمذجة.
علاوة على ذلك، يوضح القسم 3.3 مختلف هياكل النموذج وخصائصها المحددة، مع تسليط الضوء على مرونة وإمكانية تكيف الإطار. أخيرًا، يناقش القسم 3.4 عملية ضبط المعلمات الفائقة، والتي تعتبر حاسمة لتحسين أداء النموذج. تهدف هذه المقاربة الشاملة إلى تعزيز الدقة التنبؤية وكفاءة العمليات في توليد الطاقة من الرياح.
نتائج
في هذا القسم، يتم تقييم أداء النماذج المختلفة بناءً على قدرتها على تحقيق الأهداف المحددة. تستخدم التحليلات بيانات SCADA من مزرعة رياح بحرية، والتي تتضمن معلومات من أكثر من 40 توربينًا. تشكل هذه البيانات الأساس لتدريب وتقييم الشبكات العصبية البيانية المكانية والزمنية المكانية (GNNs) الموضحة في القسم 3.3. تشير النتائج إلى فعالية هذه النماذج في التقاط ديناميات بيانات تشغيل مزرعة الرياح، مما يوفر رؤى حول قدراتها التنبؤية وأدائها العام.
مناقشة
في قسم المناقشة، تستعرض الورقة نماذج مختلفة قائمة على الشبكات العصبية (NBMs) لتحليل الأداء في أنظمة طاقة الرياح، مع تسليط الضوء على نقاط قوتها وقيودها. أظهر ليونز وغوكمن (2021) نموذج NBM باستخدام شبكة عصبية اصطناعية لتنبؤ الطاقة، لكنهما لاحظا التحديات في نمذجة إنتاج الطاقة عند سرعات الرياح العالية والتقاط تأثيرات الاستيقاظ بدقة. قدم بيليندو وآخرون (2022) مقياسًا متنوعًا مكدسًا لمراقبة الحالة، مشيرين إلى أن دمج متغيرات إضافية يمكن أن يعزز تحليل الأداء. تفشل الطرق التقليدية، مثل تجميع منحنى الطاقة، في حساب التفاعلات المعقدة في مزارع الرياح الكبيرة، مما يستلزم تقنيات نمذجة متقدمة تستفيد إما من الأساليب المعتمدة على الفيزياء أو الطرق المدفوعة بالبيانات، بما في ذلك التعلم العميق.
تستكشف القسم أيضًا تطور تقنيات النمذجة، مع التأكيد على إمكانيات الشبكات العصبية البيانية (GNNs) في التقاط الديناميات المكانية والزمنية في عمليات مزرعة الرياح. استخدمت الدراسات الحديثة GNNs لتمثيل مزارع الرياح كرسوم بيانية، مما يسمح بتحسين التنبؤات بإنتاج الطاقة من خلال النظر في التفاعلات بين التوربينات وتأثيرات الاستيقاظ. تقدم الورقة نموذج GNN زمني مكاني جديد يتفوق على الطرق التقليدية، بما في ذلك تجميع منحنى الطاقة والشبكات العصبية متعددة الطبقات، في التنبؤ بتوليد الطاقة، خاصة في ظل ظروف الاستيقاظ. يدمج هذا النموذج بفعالية البيانات التاريخية والعلاقات المكانية، مما يظهر تحسينات كبيرة في دقة التنبؤ بالطاقة عبر ظروف الرياح المتنوعة.
DOI: https://doi.org/10.5194/wes-10-1137-2025
Publication Date: 2025-06-25
Author(s): Simon Daenens et al.
Primary Topic: Energy Load and Power Forecasting
Overview
This research paper presents a novel model for predicting wind turbine power output in wind farms with a high temporal resolution of 30 seconds, utilizing graph neural networks (GNNs) to represent the wind farm as a graph. The model incorporates a temporal component through a long short-term memory (LSTM) network, which processes time series input features before they are aggregated by the GNN. The findings demonstrate that both spatial and spatio-temporal GNN models significantly outperform traditional power curve methods, achieving reductions in mean absolute error (MAE) of approximately 22.6% and 30.3%, and in mean absolute percentage error (MAPE) of around 20.7% and 30.5%, respectively. The spatio-temporal GNN particularly excels in capturing both spatial and temporal dynamics, achieving a weighted average error of 0.0373, which is a 57.4% improvement over the power curve binning method.
In addition to enhancing power prediction accuracy, the model effectively detects and analyzes instances of reduced turbine performance and identifies various abnormal events beyond standard status logs. Integrated into a normal behavior model (NBM) framework, the spatio-temporal GNN reduces the rate of undetected power loss events from 12.6% to just 0.02%. The study underscores the model’s scalability and practicality, as a single spatio-temporal GNN can serve an entire wind farm with minimal computational effort. Future research directions include improving model accuracy through additional environmental factors and expanding its application across multiple wind farms, potentially facilitated by data standardization efforts and the use of ontologies for consistent data integration.
Introduction
The introduction of this research paper emphasizes the critical role of wind energy in meeting global energy demands while supporting sustainability efforts to mitigate climate change. Offshore wind farms, in particular, present an opportunity to harness stronger and more consistent wind resources, making them increasingly economically viable as technology advances and costs decrease. Accurate power estimation is essential for optimizing turbine operations and maintenance, allowing operators to maximize energy production and minimize costs. The paper identifies two primary research questions: the potential for improving power prediction accuracy through temporal trends and integrated measurements, and the detection of power loss events by comparing predicted outputs with actual performance.
To address these questions, the authors propose the implementation of a normal behavior model (NBM) that recognizes typical operational patterns, facilitating the identification of anomalies in turbine performance. The study also highlights the economic implications of power loss events and curtailments, stressing the need for refined strategies to mitigate these issues. Furthermore, the authors introduce a model designed to predict the potential power of turbines operating in wake conditions, utilizing high-resolution data from the supervisory control and data acquisition (SCADA) system. The paper outlines its structure, detailing the literature context, methodology, model performance analysis, and discussions of key findings, ultimately aiming to enhance wind farm control methods and operational efficiency.
Methods
The proposed methodology utilizes high-resolution SCADA data to forecast the potential power output of individual wind turbines within a wind farm. This section outlines the essential components of the modeling framework, emphasizing the design choices that enable its application across various wind farms. Detailed descriptions of the data and preprocessing pipeline are provided in Section 3.1, while Section 3.2 introduces a graph representation of the wind farm to facilitate modeling.
Further, Section 3.3 elaborates on the various model architectures and their specific characteristics, highlighting the flexibility and adaptability of the framework. Finally, Section 3.4 discusses the hyperparameter tuning process, which is crucial for optimizing model performance. This comprehensive approach aims to enhance predictive accuracy and operational efficiency in wind energy generation.
Results
In this section, the performance of various models is evaluated based on their ability to meet the specified objectives. The analysis utilizes SCADA data from an offshore wind farm, which includes information from over 40 turbines. This data serves as the foundation for training and assessing the spatial and spatio-temporal Graph Neural Networks (GNNs) outlined in Section 3.3. The results indicate the effectiveness of these models in capturing the dynamics of the wind farm’s operational data, thereby providing insights into their predictive capabilities and overall performance.
Discussion
In the discussion section, the paper reviews various neural-based models (NBMs) for performance analysis in wind energy systems, highlighting their strengths and limitations. Lyons and Gocmen (2021) demonstrated an NBM using an artificial neural network for power prediction, but noted challenges in modeling power production at high wind speeds and accurately capturing wake effects. Bilendo et al. (2022) introduced a heterogeneous stacked regressor for condition monitoring, suggesting that incorporating additional variables could enhance performance analysis. Traditional methods, such as power curve binning, fail to account for complex interactions in large wind farms, necessitating advanced modeling techniques that either leverage physics-based approaches or data-driven methods, including deep learning.
The section further explores the evolution of modeling techniques, emphasizing the potential of graph neural networks (GNNs) for capturing spatial and temporal dynamics in wind farm operations. Recent studies have utilized GNNs to represent wind farms as graphs, allowing for improved predictions of power output by considering inter-turbine interactions and wake effects. The paper presents a novel spatio-temporal GNN model that outperforms traditional methods, including power curve binning and multilayer perceptrons, in predicting power generation, particularly under wake conditions. This model effectively integrates historical data and spatial relationships, demonstrating significant accuracy improvements in power predictions across varying wind conditions.