摘要
准确且能考虑不确定性的瞬时风力涡轮机输出估算，是將陆上风能设施整合到低排放能源系统中的前提条件。在這類系统中，运行监控、能源性能验证以及协同资产管理都依赖于可审计的涡轮机运行数据。本研究基于一台处于运行状态的维斯塔斯V52型陆上风力涡轮机（850千瓦，位于爱尔兰邓多克理工学院；2006年至2020年间共有457,429条10分钟间隔的监测数据）14年的监控与数据采集记录，构建了一种基于数字镜像的功率曲线建模框架。并在严格的按时间顺序划分的测试数据集上（训练数据为2006年至2017年，测试数据为2018年至2020年，共52,388条数据），对比了七种不同的建模方法。此外还进行了75/25比例的随机数据分割作为内部一致性检验，结果显示不同架构下R2值最多会有0.003至0.027的偏高现象。人工神经网络在该测试中表现最佳，其R2值为0.9924，95%置信区间为0.9910至0.9931，均方根误差为19.79千瓦；仅有人工神经网络以及一种具有24步风速滞后的一维卷积神经网络，其R2值也为0.9921，能够显著优于IEC标准下的制造商提供的功率曲线。通过对分位数回归森林进行符合性校准，其90%预测区间覆盖率从0.534提升到了0.904，同时预测区间的宽度也从30千瓦增加到了51千瓦。该框架符合数字镜像的标准，而且通过“地平线欧洲”技术成熟度评估，以及与ISO 50001:2018标准中的计划-执行-检查-行动能源管理流程以及欧盟2018/2001号指令规定的可再生能源社区治理标准相衔接，可作为一种可用于协同管理陆上风能设施的可审计监控层。目前的实证研究仅基于单台涡轮机的数据，未来自然需要通过多台涡轮机、多地点的测试来进一步验证该框架的可靠性。
