Lekcja 012 - Pipeline Danych SCADA: Krzywe Mocy, Produkcja Syntetyczna, Filtry Jakosci i Ograniczenia Fizyczne

Nawigacja Lekcji

Poprzednia: Lekcja 011 - RBAC i Permit-to-Work | Nastepna: Lekcja 013 - Prognozowanie Kwantylowe XGBoost

Faza: P3/P4 | Jezyk: Polski | Postep: 13 z 19 | Wszystkie lekcje | Learning Roadmap

Data: 2026-02-26 Faza: przejscie P3 -> P4 Sekcje roadmapy: [Phase 3 - Data Quality, Phase 4 - Forecasting Inputs] Jezyk: Polski Poprzednia lekcja: Lesson 011

---

Czego się nauczysz

• Zrozumienie, w jaki sposób krzywa mocy turbiny wiatrowej jest modelowana zgodnie z normą IEC 61400-12-1 i 4 obszarami wzoru P = 0,5 × ρ × A × Cp × v³
• Generowanie realistycznych, syntetycznych danych SCADA dla farmy wiatrowej składającej się z 34 turbin: rozkład Weibulla, korelacja czasowa AR(1) i wstrzykiwanie anomalii
• Stosowanie 5-warstwowej linii filtra jakości (rurociąg) w oparciu o normę IEC 61400-12-1 załącznik A: ograniczenia, konserwacja, awaria czujnika, odchylenie od krzywej mocy i oblodzenie
• Konwersja surowych pomiarów SCADA na funkcje gotowe do ML: intensywność turbulencji, cykliczne kodowanie czasu, wartości opóźnień i wskaźnik kierunku toru
• Zastosowanie 5 ograniczeń, które dopasowują przewidywania ML do rzeczywistości fizycznej: brak mocy ujemnej, limit wydajności nominalnej, zasady załączenia/wyłączenia i całkowity limit farmy

---

Rozdział 1: Krzywa mocy — fizyczna mapa konwersji wiatru na energię elektryczną

Problem prawdziwego świata

Pomyśl o krzywej prędkości obrotowej silnika w samochodzie: poniżej pewnej prędkości silnik nie obraca się, pracuje najefektywniej w określonym zakresie, a gdy przekroczy obroty, włącza się system bezpieczeństwa i wyłącza silnik. Dokładnie tak działa turbina wiatrowa — krzywa mocy to „instrukcja obsługi” pomiędzy prędkością wiatru a mocą elektryczną. Bez znajomości tej krzywej nie można wygenerować danych SCADA, napisać filtra jakości ani zweryfikować modelu ML.

Co mówią normy?

IEC 61400-12-1 (Pomiary wydajności mocy) określa metodę pomiaru krzywej mocy turbin wiatrowych:

• Pomiar prędkości wiatru za pomocą anemometru skalibrowanego na wysokości piasty
• Średnie 10-minutowe (kompatybilne z interwałem rejestracji SCADA)
• Korekta gęstości powietrza do warunków referencyjnych (1,225 kg/m3, 15°C, 1013,25 hPa)
• Metoda binów (metoda binów): dane grupowane są w przedziały o prędkości 0,5 m/s

Krzywa mocy ma 4 różne obszary:

Region	Prędkość wiatru	Zachowanie	Fizyka
1	v < 3,0 m/s	P = 0	Aerodynamiczny moment obrotowy nie jest w stanie pokonać tarcia układu napędowego
2	3,0 ≤ v < 12,5 m/s	P ∝ v³	Maksymalne wychwytywanie energii (optymalizacja Cp)
3	12,5 ≤ v ≤ 31,0 m/s	P = P_nominalny	Stała kontrola mocy przy kącie ostrza (skok)
4	v > 31,0 m/s	P = 0	Wyłączenie awaryjne (wtapianie ostrza)

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/services/p4/turbine_power_curve.py — model krzywej mocy turbiny V236-15.0 MW, krzywe Cp/Ct i funkcje interpolacyjne
• backend/tests/test_turbine_power_curve.py — Testy weryfikacji krzywej mocy (194 linie)

Modelowaliśmy specyfikację turbiny Vestas V236-15.0 MW jako frozen dataclass. Średnica wirnika 236 m (powierzchnia zamiatana: π × 118² = 43,743 m²), wysokość piasty 140 m, moc nominalna 15,0 MW. Wszystkie moduły P4 odwołują się do tej specyfikacji.

Obliczanie mocy odbywa się w czterech krokach: (1) utwórz sekwencję prędkości wiatru, (2) oblicz krzywą Cp, (3) zastosuj wzór P = 0,5 × ρ × A × Cp × v³, (4) zaciśnij moc znamionową.

Dlaczego to jest ważne?

Dlaczego budujemy krzywą mocy jako pierwszy moduł całej linii? Ponieważ krzywa mocy zapewnia „właściwą odpowiedź” dla producenta SCADA; definiuje „wartość oczekiwaną” dla filtrów jakości; i jest fizycznym odniesieniem, względem którego będą weryfikowane przewidywania ML. Jeśli zmienisz pojedynczy moduł, będzie to miało wpływ na całą linię — dlatego jest ona najważniejsza jako podstawa.

Dlaczego używamy klasy danych frozen=True? Aby zapobiec przypadkowej zmianie parametrów turbiny podczas symulacji. Po utworzeniu TurbineSpec(rated_power_mw=15.0) wpisanie spec.rated_power_mw = 20.0 powoduje wygenerowanie FrozenInstanceError. Gwarantuje to niezmienność stałych fizycznych na poziomie kodu.

Przegląd kodu

Podstawą obliczenia krzywej mocy jest krzywa Cp (współczynnika mocy). Płynne przejście od zera do Cp_max uzyskuje się poprzez zastosowanie profilu sinusoidalnego w strefie 2; W strefie 3 Cp maleje, aby utrzymać stałą moc wyjściową:

def _compute_cp_curve(
    wind_speeds: NDArray[np.float64],
    spec: TurbineSpec,
) -> NDArray[np.float64]:
    cp = np.zeros_like(wind_speeds)
    swept_area = compute_swept_area_m2(spec.rotor_diameter_m)

    for i, v in enumerate(wind_speeds):
        if v < spec.cut_in_speed_ms or v > spec.cut_out_speed_ms:
            cp[i] = 0.0                          # Bölge 1 ve 4: türbin kapalı
        elif v < spec.rated_speed_ms:
            # Bölge 2: sin(x) profili ile Cp artışı
            frac = (v - spec.cut_in_speed_ms) / (spec.rated_speed_ms - spec.cut_in_speed_ms)
            cp[i] = spec.cp_max * math.sin(frac * math.pi / 2.0)
        else:
            # Bölge 3: sabit güç = Cp azalır
            p_available = 0.5 * STANDARD_AIR_DENSITY * swept_area * v**3
            cp[i] = (spec.rated_power_mw * 1e6) / p_available
    return cp

Dlaczego profil sin(frac × π/2)? A linear increase (frac × Cp_max) does not reflect actual turbine behavior — in fact, Cp rises rapidly as it approaches the optimal tip-speed ratio, then flattens out. Profil sinusoidalny oddaje to zachowanie w prosty, ale fizycznie znaczący sposób.

Samo obliczenie mocy bezpośrednio stosuje wzór, a następnie dodaje ograniczenia bezpieczeństwa:

# P = 0.5 × ρ × A × Cp × v³
power_w = 0.5 * rho * swept_area * cp * wind_speeds**3
power_mw = power_w / 1e6

# Nominal güce kırpma (sayısal güvenlik)
power_mw = np.clip(power_mw, 0.0, spec.rated_power_mw)

# Çalışma aralığı dışında sıfırlama
power_mw[wind_speeds < spec.cut_in_speed_ms] = 0.0
power_mw[wind_speeds > spec.cut_out_speed_ms] = 0.0

Operacja np.clip pozwala uniknąć wartości takich jak 15,0000001 MW ze względu na precyzję zmiennoprzecinkową. Funkcja interpolate_power_mw wyprowadza moc dla dowolnych prędkości wiatru za pomocą wstępnie obliczonej krzywej przy użyciu np.interp — generator SCADA i moduły weryfikacyjne ML korzystają z tego interfejsu.

Podstawowe pojęcie

Podstawowa koncepcja: Betz Limit

Po prostu: Turbina wiatrowa nie jest w stanie pobrać całej energii zawartej w wietrze — teoretyczne maksimum, jakie może pobrać, wynosi 59,3% (limit Betza). Skąd? Gdyby pochłonęło całą energię, powietrze uległoby stagnacji, a wiatr nie mógłby płynąć. Turbina musi „przepuścić trochę wiatru”.

Analogia: Pomyśl o kole wodnym: jeśli złapiesz całą wodę, łuk się zatrzyma i koło również się zatrzyma. Optymalne działanie polega na przepuszczeniu części wody i pobraniu z niej energii.

W tym projekcie: Nasza turbina V236-15.0 MW wykorzystuje Cp_max = 0,48 — 81% limitu Betza (0,593). Jest to realna wartość dla nowoczesnych turbin (zakres 0,45-0,50).

---

Rozdział 2: Produkcja syntetycznego SCADA — dane z jednego roku dla 34 turbin

Problem prawdziwego świata

Podobnie jak w przypadku szkolenia pilota w symulatorze lotu, przed szkoleniem naszych modeli ML wymagane są realistyczne, ale kontrolowane dane. Prawdziwe dane SCADA są drogie, poufne, a liczba anomalii nie jest udokumentowana. Dzięki danym syntetycznym: (1) znamy kontrolowane wskaźniki anomalii, (2) możemy zmierzyć skuteczność filtrów, (3) wyniki są powtarzalne.

Co mówią normy?

IEC 61400-12-1 określa wymagania dotyczące nagrywania SCADA:

• Średni okres 10 minut
• Prędkość wiatru na wysokości piasty (anemometr, skorygowana)
• Moc czynna wyjściowa (zaciski turbiny)
• Temperatura otoczenia, wilgotność, ciśnienie
• Kierunek wiatru (łopatka nad gondolą)
• Stan pracy turbiny

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/services/p4/scada_generator.py — 34-turbinowy syntetyczny generator SCADA (420 linii)
• backend/tests/test_scada_generator.py — Badania weryfikacyjne producenta (170 linii)

Producent stosuje 7-etapowy proces:

1. Podstawowe generowanie prędkości wiatru z rozkładem Weibulla (a=10,5, k=2,2 — odniesienie dla Morza Bałtyckiego)
2. AR(1) wygładzanie czasowe (φ=0,95) — realistyczna korelacja pomiędzy kolejnymi odczytami 10-minutowymi
3. Zaburzenia na turbinę (±8%) — efekty wzbudzenia i różnice w mikropozycjonowaniu
4. Obliczenie mocy na podstawie krzywej mocy + 2% szumu pomiaru
5. Kierunek wiatru — Dominujący kierunek 240° WSW, powolne odchylenie
6. Warunki otoczenia — temperatura sezonowa (średnia 8°C, ±12°C), wilgotność, ciśnienie
7. Wstrzykiwanie anomalii — ograniczenie, konserwacja, zamrożenie anemometru, obezwładnienie, oblodzenie

Dlaczego to jest ważne?

Dlaczego używamy procesu AR(1), dlaczego nie kierować instancjami Weibulla? Rzeczywiste pomiary prędkości wiatru mają wysoką korelację czasową: wiatr wiał 8 m/s 10 minut temu najprawdopodobniej obecnie wynosi około 7–9 m/s. Niezależne próbki Weibulla wychwytują tę korelację: pomiędzy kolejnymi wartościami następuje „przeskakiwanie”, a model ML uczy się nierealistycznych wzorców. Wzór AR(1) v(t) = 0.95 × v(t-1) + 0.05 × v_weibull(t) można odczytać jako 95% historii + 5% nowych informacji.

Dlaczego umożliwiliśmy konfigurowanie współczynników anomalii? Aby przetestować skuteczność filtrów przy różnych gęstościach anomalii. Stawki domyślne (2% ograniczenie, 3% konserwacja, 0,5% zamrożony anemometr, 0,3% przekroczenie mocy, 1% oblodzenie) opierają się na danych branżowych, ale mogą ulec zmianie ze względu na cele badawcze.

Przegląd kodu

Przyjrzyjmy się, jak korelację czasową osiąga się za pomocą AR(1):

def _generate_base_wind(rng, config):
    # 1. Ham Weibull örnekleri
    weibull_raw = rng.weibull(config.weibull_k, size=config.num_timesteps)
    weibull_scaled = config.weibull_a * weibull_raw

    # 2. AR(1) zamansal düzgünleştirme
    wind = np.zeros(config.num_timesteps, dtype=np.float64)
    wind[0] = weibull_scaled[0]
    phi = config.ar1_phi  # 0.95

    for t in range(1, config.num_timesteps):
        wind[t] = phi * wind[t - 1] + (1.0 - phi) * weibull_scaled[t]

    return np.maximum(wind, 0.0)  # Negatif hız fiziksel olarak imkansız

Dlaczego wartość phi = 0.95 jest tak wysoka? Autokorelacja pomiędzy 10-minutowymi pomiarami w warunkach wiatru na morzu mieści się zazwyczaj w przedziale 0,90-0,97. Wartość 0,95 znajduje się pośrodku tego zakresu i przybliża właściwości statystyczne danych syntetycznych do danych rzeczywistych.

Wstrzykiwanie anomalii odbywa się niezależnie dla każdej turbiny. Zdarzenia konserwacyjne odbywają się w wielogodzinnych blokach (12–48 kolejnych kroków = 2–8 godzin) — odzwierciedla to proces przychodzenia, pracy i opuszczania technika w prawdziwym świecie:

# Bakım: çok saatlik sıfır güç blokları
n_maint_events = max(1, int(num_t * config.maintenance_rate / 24))
for _ in range(n_maint_events):
    start = rng.integers(0, num_t - 48)
    duration = rng.integers(12, 48)  # 2-8 saat
    end = min(start + duration, num_t)
    power[start:end, turb] = 0.0
    status[start:end, turb] = "maintenance"

Każdy typ anomalii ma inną etykietę w tablicy status — etykiety te są używane jako „podstawowa prawda” w pomiarach dokładności filtrów jakości.

Podstawowe pojęcie

Podstawowa koncepcja: Dystrybucja Weibulla

Po prostu: Rozkład Weibulla to „mapa prawdopodobieństwa” prędkości wiatru. Parametr a (skala) „jak silny jest średni wiatr?” pytanie, a k (kształt) to „jak stabilny jest wiatr?” odpowiada na pytanie. Jeżeli k=2, wiatr podąża za rozkładem Rayleigha (powszechny rozkład na morzu); Jeśli k>2, koncentruje się w węższym zakresie.

Analogia: Pomyśl o czasach okrążeń na torze wyścigowym: średni czas okrążenia to a, k oznacza, jak konsekwentny jest jeździec. Wysokie k = wąski zakres czasów, niskie k = zarówno bardzo szybkie, jak i bardzo wolne okrążenia.

W tym projekcie: Parametry a=10,5 m/s i k=2,2 reprezentują typowe statystyki wiatru polskiego Bałtyku na wysokości piasty 140 m. Średnia prędkość wiatru ≈ 9,3 m/s, obliczenia AEP opierają się na tym rozkładzie.

---

Rozdział 3: Filtry jakościowe — zapobieganie „wprowadzaniu i wyrzucaniu śmieci”

Problem prawdziwego świata

To jak kucharz sortujący warzywa przed gotowaniem: nie można przygotować dobrego posiłku ze zgniłych, wadliwych lub niewłaściwych składników. Dane SCADA zawierają także „śmieci” — okresy dławienia, okresy konserwacji, zamrożone czujniki, oblodzenie. Uczenie modelu ML bez filtrowania tych danych uczy model „jak przewidywać awarie”, a nie „jak oszacować normalną moc”.

Co mówią normy?

IEC 61400-12-1 Załącznik A definiuje kryteria wykluczania danych:

• Usunięcie okresów, w których turbina nie pracuje normalnie
• Usunięcie znanych okresów dławienia lub ograniczania mocy
• Usuwanie zidentyfikowanych usterek czujnika
• Statystyczne wykrywanie wartości odstających dla przedziału prędkości wiatru

Pięć naszych filtrów rozszerza ten standard o elementy sterujące specyficzne dla ML:

Filtruj	Metoda	Próg
1. Ograniczenie	P ≈ 0 ale v > zacięcie	P < 0,1 MW i stan ≠ utrzymanie
2. Konserwacja	Stan operacyjny	status ≠ „działa”
3. Awaria czujnika	Zamrożony anemometr + ekstremalna moc	σ(v) < 0.01 @ 6 adım; P > 1,05 × P_nominal
4. Wartość odstająca krzywej mocy	Metoda IQR (pojemniki)	[K1-1,5×IQR, Q3+1,5×IQR]
5. Lukier	Wydajność + meteorologia	P < 0.5×P_beklenen ve nem > 95% i T < 2°C

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/services/p4/scada_quality_filters.py — 5 rurociągów filtrów jakościowych (383 linie)
• backend/tests/test_scada_quality_filters.py — Testy weryfikacyjne filtrów (211 linii)

Każdy filtr działa niezależnie i zwraca maskę boolowską. Maski są łączone za pomocą połączenia OR: punkt danych oznaczony przez dowolny filtr jest oznaczony jako „nieczysty”. Docelowa dostępność: 85-92%.

Dlaczego to jest ważne?

Dlaczego 5 filtrów jest stosowanych niezależnie, dlaczego nie sekwencyjnie? Samodzielna implementacja pozwala nam mierzyć oddzielnie, ile danych wyodrębnia każdy filtr. Jeśli Filtr 3 (czujnik) usuwa 15% danych, oznacza to problem z jakością czujnika — informacja ta zostałaby utracona, gdyby cała linia była w linii. Diagnozę tę umożliwia słownik counts_by_filter.

Dlaczego wolimy metodę IQR od Z-score? Na metodę IQR (rozstęp międzykwartylowy) nie mają wpływu same wartości odstające — wartości Q1 i Q3 są odporne na wartości odstające. Z drugiej strony wynik Z opiera się na średniej i odchyleniu standardowym, a wartości odstające wypaczają te statystyki. W danych dotyczących mocy turbin wiatrowych typowe są anomalie wynoszące 5–10%, co powoduje, że wynik Z jest niewiarygodny.

Przegląd kodu

Wykrywanie odstających krzywych mocy w oparciu o IQR wykorzystuje metodę bins z IEC 61400-12-1:

def detect_power_curve_outliers(wind_speed, power, bin_width_ms=1.0, iqr_multiplier=1.5):
    flagged = np.zeros((num_t, num_turb), dtype=np.bool_)

    for turb in range(num_turb):
        for b in range(len(bin_edges) - 1):
            bin_mask = (ws_col >= bin_edges[b]) & (ws_col < bin_edges[b + 1])
            bin_indices = np.where(bin_mask)[0]
            if len(bin_indices) < 10:
                continue  # Seyrek kutuları atla — istatistik güvenilmez

            bin_power = pwr_col[bin_indices]
            q1 = np.percentile(bin_power, 25)
            q3 = np.percentile(bin_power, 75)
            iqr = q3 - q1
            lower = q1 - iqr_multiplier * iqr  # Alt sınır
            upper = q3 + iqr_multiplier * iqr  # Üst sınır

            outliers = (bin_power < lower) | (bin_power > upper)
            flagged[bin_indices[outliers], turb] = True
    return flagged

Dlaczego sterowanie len(bin_indices) < 10? W przedziałach zawierających mniej niż 10 punktów danych obliczenia Q1/Q3 stają się statystycznie niewiarygodne — pojedyncza anomalia może unieważnić cały przedział. Próg ten stanowi zasadę „minimalnej próby dla pewności statystycznej”.

Połączenie pięciu filtrów jest proste i przejrzyste:

any_flagged = (curtailment_mask | maintenance_mask |
               sensor_mask | outlier_mask | icing_mask)
clean_mask = ~any_flagged  # Temiz veri: hiçbir filtre tarafından işaretlenmemiş

Obiekt FilterResult raportuje liczbę punktów danych wyodrębnionych przez każdy filtr za pomocą słownika counts_by_filter. Wartość availability_pct mieści się w zakresie docelowym na poziomie 85–92% — jest za niska i większość danych to śmieci, za wysoka, a filtry są nieodpowiednie.

Podstawowe pojęcie

Podstawowa koncepcja: Wykrywanie wartości odstających IQR

Po prostu: Pomyśl o wynikach testów na zajęciach. Narysuj 25% poniżej i powyżej środka (Q1 i Q3). Odległość między tymi dwiema liniami to IQR. Jeśli ocena wynosi 1,5×IQR poniżej Q1 lub 1,5×IQR powyżej Q3 – jest to „podejrzanie odmienne”.

Analogia: Weź pod uwagę statystyki bramek drużyny piłkarskiej: 1-3 gole na mecz to norma. Jeśli jednak w meczu padło 15 bramek, jest to prawdopodobnie błąd w danych lub nietypowe zdarzenie — wychwytuje to metoda IQR.

W tym projekcie: Obliczamy IQR wartości mocy dla każdego przedziału prędkości wiatru 1 m/s. Jeśli oczekiwana moc przy 8 m/s wynosi 5-7 MW, odczyt 0,1 MW lub 14 MW jest zdecydowanie anomalią.

---

Rozdział 4: Inżynieria funkcji — od surowych danych do macierzy ML-Ready

Problem prawdziwego świata

Wyobraź sobie, że nie wystarczy, że lekarz powie „Mam gorączkę” – pyta również o ciśnienie, tętno i parametry krwi. Same surowe kanały SCADA (prędkość, kierunek, temperatura) nie wystarczą. Model ML powinien znać „trend 12-godzinny”, „jaką jest porę dnia” i „kąt wiatru względem osi farmy”, a nie surowe dane typu „temperatura”.

Co mówią normy?

IEC 61400-1 definiuje intensywność turbulencji:

• TI = σ₁ / V_hub (10-minutowe odchylenie standardowe / średnia prędkość)
• Klasy turbulencji IEC: A (I_ref=0,16), B (0,14), C (0,12)
• Morskie tereny bałtyckie należą zazwyczaj do klasy C (I_ref ≈ 0,06-0,10)

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/services/p4/feature_engineering.py — Rurociąg inżynierii atrybutów fizycznych (425 linii)
• backend/tests/test_feature_engineering.py — Testy walidacyjne atrybutów (258 linii)

Zbudowaliśmy potok, który generuje 20 atrybutów:

Grupa atrybutów	Numer	Formuła
Prędkość wiatru + statystyki kroczące	3	ws, średnia(ws, 1h), std(ws, 1h)
Intensywność turbulencji	1	TI = σ / μ
Kierunek wiatru + tempo zmian	2	wd, |Δwd/Δt|
Gęstość powietrza	1	ρ = P/(R × T_K)
Meteorologia	2	temperatura, wilgotność
Czas cykliczny	4	sin/cos(godzina), sin/cos(miesiąc)
Wskaźnik kierunku toru	1	cos(wd - oś_farmy)
Wartości opóźnienia mocy	6	P(t-1)...P(t-6)

Dlaczego to jest ważne?

Dlaczego kodujemy czas jako parę sin/cos, a nie jako liczbę bezpośrednią (0–23)? Ponieważ godziny 23 i 0 są w rzeczywistości oddalone od siebie o 1 godzinę, ale liczbowo dzielą je 23 jednostki. Model ML nie może nauczyć się tej „nieciągłości”. Przy kodowaniu cyklicznym: sin²(x) + cos²(x) = 1 jest zawsze ważne, a przejście zegara 23→0 jest gładką krzywą sinusoidalną – bez nieciągłości.

Dlaczego usuwamy wiersze zamiast wypełniać wartości NaN? Atrybuty opóźnienia i kroczenia są na początku szeregu czasowego niezdefiniowane: w pierwszym kroku P(t-1) nie występuje, w pierwszych 5 krokach nie można obliczyć średniej 1-godzinnej. Wypełnienie tych NaN zerem lub średnią powoduje „wyciek danych”. Właściwe podejście: zostawić te kwestie w milczeniu. Pole dropped_timesteps podaje, ile wierszy zostało usuniętych.

Przegląd kodu

Cykliczne kodowanie czasu można traktować jako lokalizację na okręgu:

def compute_cyclical_time_features(timestamps):
    # Gün içi saat: Unix epoch → günlük saniye → saat
    seconds_in_day = timestamps % 86400
    hours = seconds_in_day / 3600.0

    # Yıl içi ay yaklaşımı
    day_of_year = (timestamps % (365 * 86400)) / 86400.0
    month_approx = day_of_year / 30.44  # Ortalama ay uzunluğu

    hour_sin = np.sin(2.0 * np.pi * hours / 24.0)
    hour_cos = np.cos(2.0 * np.pi * hours / 24.0)
    month_sin = np.sin(2.0 * np.pi * month_approx / 12.0)
    month_cos = np.cos(2.0 * np.pi * month_approx / 12.0)

    return hour_sin, hour_cos, month_sin, month_cos

Istnieje kluczowy matematyczny powód, aby używać grzechu i cos razem: w przypadku samego sin(godziny) godziny 6 i 18 przyjmują tę samą wartość (0) — są one nie do odróżnienia. Dodanie cos sprawia, że ​​godziny 6 → (0, -1) i godziny 18 → (0, 1) są teraz unikalne.

Wskaźnik kierunku kilwateru mierzy potencjał budzenia kierunku wiatru w stosunku do osi farmy:

def compute_wake_direction_indicator(wind_direction_deg, farm_alignment_deg=210.0):
    angle_diff_rad = np.radians(wind_direction_deg - farm_alignment_deg)
    return np.cos(angle_diff_rad)

cos(0°) = 1.0: wiatr wieje dokładnie wzdłuż osi farmy. → efekt budzenia jest maksymalny. cos(90°) = 0.0: wiatr wieje pionowo. → efekt budzenia jest minimalny. Ta pojedyncza liczba przekazuje złożoną fizykę toru jako prosty sygnał do modelu ML.

Podstawowe pojęcie

Podstawowa koncepcja: Wyciek danych z przyszłości

Po prostu: Zobaczenie klucza odpowiedzi przed przystąpieniem do testu — wynik jest świetny, ale nie mierzy prawdziwej wiedzy. W ML wyciek przyszłych danych do edukacji to to samo.

Analogia: To jakby poznać jutrzejszą pogodę, a następnie „potwierdzić” dzisiejszą prognozę. Wynik zawsze wychodzi idealny, ale modelka tak naprawdę niczego się nie nauczyła.

W tym projekcie: Atrybuty opóźnienia patrzą tylko wstecz: P(t-1) = moc poprzedniego kroku. Pierwsze 6 wierszy z NaN jest usuwanych i nigdy nie jest wypełnianych. Ta ścisła zasada zapewnia, że ​​model dokonuje prognoz wyłącznie na podstawie informacji dostępnych do czasu t.

---

Rozdział 5: Ograniczenia fizyczne — ML nie łamie praw fizyki

Problem prawdziwego świata

Jeśli aplikacja nawigacyjna każe Ci „przejść przez morze”, wyznaczenie trasy jest fizycznie niemożliwe, nawet jeśli mapa jest dokładna. Modele ML mogą w podobny sposób generować fizycznie niemożliwe prognozy: moc ujemna, moc powyżej mocy znamionowej lub wytwarzanie energii elektrycznej przy braku wiatru. Warstwa ograniczeń fizycznych stanowi ostateczną siatkę bezpieczeństwa zapobiegającą propozycjom „chodzenia po morzu”.

Co mówią normy?

IEC 61400-12-1 określa obowiązującą obwiednię roboczą krzywej mocy. Prognozy nie mogą znajdować się poza tą kopertą:

• Strefa 1 (v < 3,0 m/s): P koniecznie 0 MW
• Strefa 3 (v_nominal ≤ v ≤ v_cut-out): P ≤ P_nominal (15,0 MW)
• Strefa 4 (v > 31,0 m/s): P koniecznie 0 MW

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/services/p4/physical_constraints.py — Warstwa egzekwowania ograniczeń fizycznych (303 linie)
• backend/tests/test_physical_constraints.py — Testy walidacyjne ograniczeń (131 linii)

Pięć reguł ograniczeń weryfikuje każdą prognozę ML z rzeczywistością fizyczną:

Ograniczenie	Zasada	Priorytet
C1	P ≥ 0 (brak mocy ujemnej)	Niski
C2	P ≤ 15,0 MW (moc znamionowa)	Niski
C3	v < 3,0 m/s → P = 0	Wysoki (zastępuje C1/C2)
C4	v > 31,0 m/s → P = 0	Wysoki (zastępuje C1/C2)
C5	Σ P_i ≤ 510 MW (limit agregatowy gospodarstwa)	Poziom gospodarstwa

Dlaczego to jest ważne?

Dlaczego stosujemy ograniczenia na wyjściu (przetwarzanie końcowe), a nie podczas uczenia modelu? Są dwa powody: (1) Niezależność architektury modelu — niezależnie od tego, czy XGBoost, LSTM czy TFT, wykorzystuje tę samą warstwę ograniczeń. (2) Rozdzielenie zagadnień — model uczy się wzorców statystycznych, stosowanie praw fizyki jest zadaniem odrębnego modułu. Taka architektura zapobiega zmianie kodu ograniczenia wraz ze zmianą modelu.

Dlaczego ograniczenia oparte na wietrze (C3/C4) zastępują ograniczenia oparte na mocy (C1/C2)? Hierarchia fizyczna: wytwarzanie energii jest fizycznie niemożliwe, jeśli nie ma wiatru — stwierdzenie C1/C2 „zezwól w zakresie 0–15” nie ma znaczenia. C3/C4 mówi „skrzydło nie może się obrócić” i ta zasada jest absolutna.

Przegląd kodu

Kolejność stosowania ograniczeń jest krytyczna — najpierw C1/C2, potem C3/C4:

def enforce_physical_constraints(power_mw, wind_speed_ms=None, ...):
    corrected = power_mw.copy()
    violations = []

    # C1: Negatif güç yok
    neg_mask = corrected < 0.0
    corrected[neg_mask] = 0.0

    # C2: Nominal kapasite sınırı
    over_mask = corrected > rated_power_mw
    corrected[over_mask] = rated_power_mw

    # C3 & C4: Rüzgar tabanlı kurallar (üste yazma)
    if wind_speed_ms is not None:
        corrected[wind_speed_ms < cut_in_ms] = 0.0   # Cut-in altı
        corrected[wind_speed_ms > cut_out_ms] = 0.0   # Cut-out üstü

    return ConstraintResult(power_mw=corrected, violations=violations, ...)

Każde naruszenie zapisywane jest do rejestru ConstraintViolation: jakie ograniczenie, który krok, wartość pierwotna i wartość poprawiona. Rekordy te są wykorzystywane zarówno do debugowania, jak i ulepszania modelu — jeśli naruszenia C1 są zbyt wysokie, model ma tendencję do generowania negatywnych przewidywań, wskazując na problem w danych szkoleniowych.

Na poziomie farmy ograniczenie C5 stosuje skalowanie proporcjonalne, jeżeli łączna moc przekracza 510 MW:

# C5: Çiftlik toplam sınırı — orantılı küçültme
farm_totals = np.sum(corrected_all, axis=1)
over_cap = farm_totals > farm_capacity  # 510 MW

for t_idx in np.where(over_cap)[0]:
    scale = farm_capacity / farm_totals[t_idx]
    corrected_all[t_idx, :] *= scale

Dlaczego skalowanie proporcjonalne, a nie dławienie poprzez losowy dobór turbin? Skalowanie proporcjonalne powoduje większe (w miarę) tłumienie turbin wytwarzających dużą moc i wpływa na turbiny wytwarzające mniejszą moc. Ma to również sens fizyczny, ponieważ turbiny o większej mocy prawdopodobnie odczują silniejszy wiatr.

Podstawowe pojęcie

Podstawowa koncepcja: ML zorientowany na fizykę

Po prostu: Powiedzenie modelowi ML, aby „ograniczył swoją wyobraźnię”. Niezależnie od tego, jak inteligentny jest model, nie może on złamać praw fizyki – tak jak samolot nie może wystartować, „ignorując grawitację”.

Analogia: Dziecko podczas rysowania zna zasadę „niebo nie może być zielone, a trawa nie może być niebieska”. Ograniczenia fizyczne to reguły, które uniemożliwiają modelowi ML rysowanie „zielonego nieba”.

W tym projekcie: Reguła 5 ograniczeń zapewnia, że ​​każde oszacowanie ML mieści się w fizycznej obwiedni operacyjnej turbiny V236-15.0 MW. Rezultat: zarówno dokładniejsze przewidywania, jak i wyniki, którym mogą zaufać operatorzy SCADA.

---

Rozdział 6: API REST i schematy Pydantic — Drzwi do każdego modułu

Problem prawdziwego świata

Nieważne, jak dobra jest kuchnia restauracji, jest ona bezużyteczna, jeśli nie ma kelnerów i menu, które mogłoby służyć klientom. Nasze moduły usług zaplecza to „kuchnie”; Punkty końcowe API REST i schematy Pydantic to „kelnerzy” i „menu”. Bez odpowiednio zdefiniowanych interfejsów frontend nie ma dostępu do tych modułów.

Co mówią normy?

Specyfikacja OpenAPI (Swagger) zapewnia automatyczną dokumentację interfejsów API REST. FastAPI automatycznie generuje tę specyfikację na podstawie modeli Pydantic. Każdy Field(description=...) staje się wierszem dokumentu API.

Co zbudowaliśmy?

Zmienione pliki:

• backend/app/routers/p4.py — 6 punktów końcowych REST (259 linii)
• backend/app/schemas/forecast.py — schematy żądań/odpowiedzi Pydantic v2 (195 linii)
• backend/app/services/p4/__init__.py — Wspólny eksport (63 linie)
• backend/app/main.py — rekord routera P4 (zmienione 2 linie)

W ramach sześciu punktów końcowych /api/v1/forecast/:

Punkt końcowy	Metoda	Funkcja
/turbine-spec	OTRZYMAJ	Specyfikacja V236-15.0 MW
/power-curve	POST	Generowanie krzywej mocy IEC 61400-12-1
/generate-scada	POST	Syntetyczny zbiór danych SCADA
/quality-filter	POST	Linia jakości z 5 filtrami
/features	POST	Inżynieria funkcji
/check-constraints	POST	Weryfikacja ograniczeń fizycznych

Dlaczego to jest ważne?

Dlaczego zwracamy podsumowanie zbioru danych SCADA, a nie cały zbiór danych? 34 turbiny × 52 560 kroków × 8 kanałów = ~14 milionów wartości float → około 110 MB JSON. To przesada w przypadku odpowiedzi API REST. Podsumowanie (średnie, liczba przypadków, zakres czasu) jest wystarczające. Jeśli potrzebny jest pełny zestaw danych, powinien to być punkt końcowy eksportu wsadowego — inna decyzja dotycząca architektury.

Dlaczego istnieją ograniczenia Field(ge=..., le=...) na każdym schemacie żądania? Walidacja pydantyczna jest „pierwszą linią obrony” na granicy API. weibull_k: float = Field(ge=1.0, le=4.0) odrzuca fizycznie nieistotne parametry (k=0 lub k=100) za pomocą protokołu HTTP 422 — gwarantuje to, że kod serwera w ogóle nie będzie działał i nie wykonywał niepotrzebnych obliczeń.

Przegląd kodu

W schemacie Pydantic definicje Field pełnią zarówno rolę walidacyjną, jak i dokumentacyjną:

class PowerCurveRequest(BaseModel):
    wind_step_ms: float = Field(
        default=0.5,
        ge=0.1, le=2.0,  # Fiziksel sınırlar
        description="Wind speed bin width [m/s]. IEC 61400-12-1 default: 0.5",
    )
    air_density_kg_m3: float | None = Field(
        default=None,
        ge=0.8, le=1.6,  # Deniz seviyesi ±%30 marj
        description="Air density [kg/m³]. Default: 1.225 (standard conditions)",
    )

Każdy ciąg description automatycznie pojawia się na stronie /docs Swagger w FastAPI. To jest „dokumentacja API”, a nie „dokumentacja kodu” — programista frontendu rozumie, co musi dostarczyć, bez patrzenia na kod źródłowy.

Podstawowe pojęcie

Podstawowa koncepcja: Walidacja granic

Po prostu: To jak kontrola bezpieczeństwa przy drzwiach budynku – nie możesz wejść do budynku bez sprawdzenia swojej torby. Granica API to punkt, w którym do systemu wchodzi świat zewnętrzny i jeśli nie zostanie tam przeprowadzona walidacja, moduły wewnętrzne będą działać z niezabezpieczonymi danymi.

Analogia: Kontrola paszportowa na lotnisku: jeśli Twój paszport jest nieważny, nie możesz wjechać do kraju. W krajowym ruchu miejskim nikt nie pyta o paszport – kontrola odbywa się na granicy. Podobnie funkcja enforce_physical_constraints nie sprawdza parametrów wewnętrznie, ponieważ warstwa API już to zrobiła.

W tym projekcie: Definicje Pydantic Field(ge=1.0, le=4.0) odrzucają fizycznie nieistotne parametry we wpisie API. Warstwa usług działa z zapewnieniem „otrzymuję czyste dane”.

---

Powiązania

Gdzie te pojęcia będą stosowane w przyszłości:

• Krzywa mocy (Część 1) Modele XGBoost i LSTM urządzenia → P4 sprawdzą swoje przewidywania w oparciu o tę krzywą
• Generator SCADA (Część 2) → Dane syntetyczne będą zbiorem uczącym wszystkich modeli P4 ML; zostaną w przyszłości porównane z prawdziwą integracją SCADA z ERA5+
• Filtry jakości (Część 3) Analiza wyjaśnialności → SHAP pokaże różnicę pomiędzy danymi filtrowanymi i niefiltrowanymi
• Inżynieria cech (Część 4) → XGBoost znaczenie cech (wzmocnienie/pokrycie/SHAP) zmierzy, które cechy są najcenniejsze
• Ograniczenia fizyczne (Część 5) → Ograniczenia zostaną zastosowane do każdego kroku wielohoryzontowych prognoz TFT
• P3 → P4 połączenie: System rejestrowania urządzeń SCADA (lekcja 009) i symulacja błędów GOOSE (lekcja 010) w P3 są zbudowane na tych danych SCADA — stamtąd pochodzą typy anomalii

---

Szerszy obraz

Cel tej lekcji: Cały potok danych P4 SCADA — od fizycznej krzywej mocy po filtr jakości, od inżynierii cech po ograniczenia fizyczne.

graph TB
    subgraph P4_Pipeline["P4 — SCADA Veri Hattı (YENİ)"]
        PC["Güç Eğrisi<br/>IEC 61400-12-1<br/>V236-15.0 MW"]
        SG["Sentetik SCADA<br/>Weibull + AR(1)<br/>34 türbin × 1 yıl"]
        QF["Kalite Filtreleri<br/>5-filtre pipeline<br/>Hedef: %85-92"]
        FE["Öznitelik Mühendisliği<br/>20 fiziksel öznitelik<br/>TI, döngüsel, gecikme"]
        PH["Fiziksel Kısıtlar<br/>5 kural<br/>0 ≤ P ≤ 15 MW"]

        PC --> SG
        SG --> QF
        QF --> FE
        FE -->|ML Modelleri<br/>gelecek ders| PH
    end

    subgraph API["REST API"]
        EP["/api/v1/forecast/*<br/>6 endpoint<br/>Pydantic v2"]
    end

    subgraph Existing["Mevcut Altyapı"]
        P1["P1: AEP & Weibull"]
        P2["P2: HV Grid & FRT"]
        P3["P3: SCADA & GOOSE"]
    end

    P1 -.->|Rüzgar istatistikleri| SG
    P3 -.->|Anomali tipleri| SG
    P4_Pipeline --> EP

    style P4_Pipeline fill:#1a365d,stroke:#4299e1,color:#fff
    style PC fill:#2d3748,stroke:#63b3ed,color:#fff
    style SG fill:#2d3748,stroke:#63b3ed,color:#fff
    style QF fill:#2d3748,stroke:#63b3ed,color:#fff
    style FE fill:#2d3748,stroke:#63b3ed,color:#fff
    style PH fill:#2d3748,stroke:#63b3ed,color:#fff

Aby zapoznać się z pełną architekturą systemu: Przegląd lekcji

---

Kluczowe dania na wynos

1. Krzywa mocy jest podstawą rurociągu P4 — generowanie SCADA, filtrowanie jakości i weryfikacja ograniczeń zależą od tej krzywej.
2. Dane syntetyczne umożliwiają kontrolowane eksperymenty — możesz zmierzyć skuteczność filtrów za pomocą danych, w przypadku których znasz współczynniki anomalii.
3. Połączenie AR(1) + Weibulla pozwala uzyskać zarówno dokładne statystyki długoterminowe, jak i realistyczną korelację krótkoterminową.
4. „Jakość danych jest ważniejsza niż złożoność modelu” — Nawet najbardziej zaawansowany model wytrenowany na podstawie 10% nietypowych danych pozostaje w tyle za prostym modelem wytrenowanym na czystych danych.
5. Metoda IQR jest bardziej niezawodna niż wynik z — odporna na wartości odstające, ponieważ pierwszy/trzeci kwartał opiera się na medianie, a nie średniej.
6. Cykliczne kodowanie czasu eliminuje nieciągłość pary sin/cos — model ML uczy się czasu, miesiąca i kierunku, korzystając z prawidłowego pojęcia „odległości”.
7. Ograniczenia fizyczne stanowią końcową siatkę bezpieczeństwa niezależną od modelu — prawa fizyki pozostają niezmienne, nawet jeśli model się zmienia.

---

Zalecane lektury

Plan nauczania — Faza 4: Uczenie maszynowe na rzecz energii

Źródło	Gatunek	Dlaczego warto przeczytać
Hyndman i Athanasopoulos — Prognozowanie: zasady i praktyka (wyd. 3)	Podręcznik online (bezpłatny)	Podstawy walidacji krzyżowej szeregów czasowych i inżynierii cech — podstawy teoretyczne opóźnień/elementów toczenia w tym kursie
Zadanie 36 IEA Wind TCP — Prognozowanie dla energetyki wiatrowej	Raporty (bezpłatne)	Najlepsze praktyki dotyczące jakości danych i wstępnego przetwarzania w prognozowaniu energii wiatrowej — branżowy punkt odniesienia dla naszych filtrów jakości
Chen i Guestrin (2016) — XGBoost: skalowalny system wzmacniania drzew	Artykuł	Aby zrozumieć koncepcję ważności cech — w kolejnym etapie naszego rurociągu inżynierii cech wartości SHAP zostaną obliczone za pomocą tego modelu
Hong i in. (2020) — Prognozowanie energii: przegląd	Artykuł przeglądowy	Integracja ograniczeń fizycznych z ML w szacowaniu energii — uzasadnienie akademickie dla naszej warstwy egzekwowania ograniczeń

---

Quiz — sprawdź swoje zrozumienie

Przypomnij sobie pytania

P1: Dlaczego moc w Strefie 3 krzywej mocy (12,5-31,0 m/s) pozostaje stała, pomimo wzrostu prędkości wiatru?

Odpowiedź

W strefie 3 system kontroli pochylenia zmniejsza prędkość pozyskiwania energii z wiatru (Cp) poprzez zwiększenie kąta łopat. Wraz ze wzrostem prędkości wiatru dostępna moc (P_wind = 0,5ρAv3) wzrasta, ale maleje w tempie Cp, pozostawiając iloczyn stały: P_electrical = P_rated = 15,0 MW. Mechanizm ten chroni generator i elementy mechaniczne przed przeciążeniem.

S2: U producenta SCADA współczynnik autokorelacji AR(1) jest ustawiony na φ = 0,95. Co to oznacza?

Odpowiedź

φ = 0,95 oznacza, że ​​każdy 10-minutowy odczyt prędkości wiatru opiera się w 95% na poprzednim odczycie i w 5% na nowej próbce Weibulla. Odzwierciedla to silną korelację czasową (kolejne pomiary są podobne) morskiej energetyki wiatrowej. Niższa wartość φ daje więcej „skaczących” danych; Wyższa wartość φ tworzy gładszy, ale powoli zmieniający się profil wiatru.

Q3: Ile filtrów ma zastosowanie funkcja apply_all_quality_filters i jaki jest docelowy procent dostępności?

Odpowiedź

Stosuje 5 filtrów: (1) wykrywanie ograniczeń, (2) okresy konserwacji, (3) usterki czujnika (zamrożony anemometr + nadmierna moc), (4) wartości odstające krzywej mocy (IQR), (5) wykrywanie oblodzenia. Dostępność docelowa wynosi 85–92% — jest za niska i większość danych jest problematyczna, za wysoka, a filtry słabo działają.

Pytania dotyczące zrozumienia

Pyt.4: Dlaczego w cyklicznym kodowaniu czasu używane są razem sin i cos? Czy sam grzech nie wystarczy?

Odpowiedź

W przypadku samego grzechu (godziny) godzina 6 (wschód słońca) i godzina 18 (zachód słońca) otrzymują tę samą wartość grzechu (0) — model ML nie jest w stanie rozróżnić tych dwóch różnych godzin. Dodanie cos daje godzinę 6 → (sin=0, cos=-1) i godzinę 18 → (sin=0, cos=1) — każda godzina ma teraz unikalną współrzędną 2D. Matematycznie każdy kąt na okręgu jednostkowym jest odwzorowany na unikalną parę (sin, cos).

Pyt.5: Dlaczego warstwa ograniczeń fizycznych jest stosowana na wyjściu (przetwarzanie końcowe), a nie podczas uczenia modelu?

Odpowiedź

Istnieją dwa główne powody: (1) Niezależność modelu — tę samą warstwę ograniczeń można zastosować do predykcji z XGBoost, LSTM lub TFT, nie zapisuje się oddzielnych ograniczeń dla każdego modelu. (2) Rozdzielenie zagadnień — zadaniem modelu jest poznanie wzorców statystycznych, natomiast stosowanie praw fizyki jest zadaniem odrębnego modułu. Taka architektura gwarantuje, że zmiana jednego modułu nie wpłynie na drugi.

P6: Dlaczego sprawdzenie len(bin_indices) < 10 jest konieczne do wykrycia wartości odstających IQR?

Odpowiedź

W przedziałach prędkości wiatru zawierających mniej niż 10 punktów danych obliczenia Q1 i Q3 stają się statystycznie niewiarygodne. Na przykład na IQR obliczony na podstawie 3 punktów danych duży wpływ ma pojedyncza anomalia i może on błędnie oznaczać normalne punkty danych jako „obszar odstający”. Minimum 10 próbek gwarantuje, że obliczenia procentowe można przeprowadzić z rozsądnym poziomem ufności. Ta zasada „statystycznej minimalnej próbki” zmniejsza odsetek wyników fałszywie dodatnich.

Trudne pytanie

Pytanie 7: Nasz obecny syntetyczny generator SCADA modeluje efekt wybudzenia jako przypadkowe zaburzenie wynoszące jedynie ±8%. W prawdziwym świecie efekt przebudzenia zależy od kierunku wiatru i lokalizacji turbiny. Jak zintegrować model śledzenia PyWake w P1 z generatorem SCADA P4? Jakie dodatkowe atrybuty byś utworzył i jaki wpływ miałyby te atrybuty na proces inżynierii atrybutów?

Odpowiedź

Integrację można przeprowadzić w trzech etapach: (1) Z modelu śladu Jensena/Bastankhaha firmy PyWake wyodrębnia się „macierz strat wzbudzenia” dla każdej pary turbin i kombinacji kierunku wiatru — ta macierz liczbowo określa, która turbina wpływa na którą turbinę, w jakim stopniu, w odniesieniu do kierunku wiatru. (2) Zamiast stałych zakłóceń ±8% dostępnych w generatorze SCADA, na każdym etapie z macierzy strat w śladzie losowym jest rysowany odpowiedni wiersz z wykorzystaniem kierunku wiatru i stosowana jest redukcja mocy — tak, że różne turbiny są dotknięte z różną intensywnością, gdy wiatr wieje ze wschodu i wieje z zachodu. (3) Nowe atrybuty w inżynierii cech: (a) `wake_deficit_ratio` = moc rzeczywista / moc oczekiwana bez śladu, (b) `upstream_turbine_power` = moc najbliższej górnej turbiny wiatrowej (wskaźnik efektu sąsiada), (c) `effective_wind_speed` = prędkość wiatru skorygowana o utratę śladu. Funkcje te wzbogacają istniejący `wake_direction_indicator` i umożliwiają bezpośredni pomiar roli wpływu śladu w przewidywaniu ML w analizie ważności funkcji XGBoost.

---

Kącik rozmowy kwalifikacyjnej

Po prostu wyjaśnij

„Jak wyjaśniłbyś główny temat dzisiejszego dnia osobie niebędącej inżynierem?”

Pomyśl o farmie wiatrowej — 34 gigantycznych śmigłach wirujących w morzu. Każde z tych śmigieł co 10 minut wysyła do komputerów raport: „Wiatr wieje tak mocno, wytwarzam tyle prądu, to jest temperatura”. Raporty te są danymi SCADA. Ale są problemy z tymi danymi: czasami czujnik się psuje i wysyła zły numer, czasami śmigło zostaje oddane do użytku, ale nadal pisze raport, czasami pojawia się oblodzenie i śmigło wytwarza mniej prądu niż normalnie. Jeśli trenujesz model sztucznej inteligencji przy użyciu tych „uszkodzonych” danych, model uczy się ułomności, a nie normalnego zachowania.

To, co zrobiliśmy, to zbudowanie rurociągu: najpierw stworzyliśmy fizyczną mapę zależności „prędkość wiatru-elektryczność” (krzywa mocy), następnie wygenerowaliśmy realistyczne, sztuczne dane za pomocą tej mapy, następnie wyodrębniliśmy uszkodzone dane za pomocą 5 różnych filtrów, następnie uzyskaliśmy nowe informacje w języku zrozumiałym dla sztucznej inteligencji (inżynieria cech), a na koniec sprawdziliśmy sugestie sztucznej inteligencji z prawami fizyki. Wynik: wiarygodne prognozy.

Wyjaśnij technicznie

• „Jak wyjaśniłbyś główny temat dzisiejszego dnia panelowi przeprowadzającemu wywiad?”*

Zaczynając od modelu krzywej mocy zgodnej z normą IEC 61400-12-1, zbudowaliśmy kompleksowy potok danych SCADA dla morskiej farmy wiatrowej składającej się z 34 turbin. Krzywa mocy modeluje 4-strefowy profil Cp/Ct turbiny Vestas V236-15.0 MW — sinusoidalna rampa Cp w Regionie 2, moc stała z regulacją skoku w Regionie 3. Syntetyczny generator SCADA stosuje wygładzanie czasowe AR(1) (φ=0,95) w rozkładzie Weibulla(a=10,5, k=2,2), tworząc macierz 52 560 dziesięciominutowych kroków × 34 turbiny; następnie wstrzykuje 2% ograniczenia, 3% konserwacji, 0,5% zamrożonego anemometru, 0,3% przekroczenia mocy i 1% anomalii oblodzenia. 5-warstwowy filtr jakości rozszerza załącznik A IEC 61400-12-1 na kontekst ML — zapewniając dostępność celu na poziomie 85–92% z wykrywaniem wartości odstających w oparciu o IQR, korelacją oblodzenia meteorologicznego i wykluczaniem konserwacji w oparciu o warunki. Warstwa inżynierii cech zapewnia 20 istotnych fizycznie cech: intensywność turbulencji IEC 61400-1, cykliczne kodowanie czasowe sin/cos (eliminujące nieciągłość zegara i księżyca), 6-stopniowe opóźnienia zasilania (bez przyszłych wycieków, rzędy NaN są pomijane) oraz wskaźnik kierunku wybudzenia cos(wd - farm_axis). Ostatnia warstwa przycina wyniki modelu do fizycznej obwiedni roboczej za pomocą 5 reguł ograniczeń fizycznych (C1: nieujemność, C2: ograniczenie znamionowe, C3/C4: włączenie/wyłączenie, C5: całkowita farma 510 MW). Cała linia jest niezależna od modelu — niezależnie od tego, czy jest to XGBoost, LSTM czy TFT. Architektura sprawia, że ​​każdy moduł można niezależnie testować i modyfikować, zgodnie z zasadą separacji problemów.