PINNs - Genauere Surrogate-Modelle für die Schätzung von Lasten bei elektrischen Komponenten

Im Projekt Otello untersucht das Fraunhofer IEE, wie Lastprognosen für Windenergieanlagen genutzt werden können, um Komponenten gezielt zu schonen und Fahrpläne netzdienlich zu optimieren. Für elektrische Komponenten wie Generatoren stehen im Betrieb oft keine detaillierten Modelle zur Verfügung, sodass Surrogate-Modelle aus SCADA-Daten erforderlich sind. Rein datengetriebene Ansätze sind zwar effizient, zeigen jedoch begrenzte Genauigkeit und Generalisierungsfähigkeit. Der Vortrag stellt physikinformierte neuronale Netze (Physics-Informed Neural Networks, PINNs) als Ansatz für genauere Surrogate-Modelle zur Schätzung der Statorwicklungstemperatur vor.
Das PINN kombiniert ein Convolutional Neural Network mit einem vereinfachten thermischen Modell des Generators, das Widerstand und Zeitkonstante der Statorwicklung abbildet. Physikalisches Vorwissen wird über eine erweiterte Loss-Funktion eingebunden, welche sowohl Abweichungen von Messdaten als auch Verletzungen der thermischen Dynamik bestraft. Auf Basis öffentlich verfügbarer CARE-to-Compare-SCADA-Daten zeigt das PINN im Vergleich zu einem rein datengetriebenen CNN eine deutlich höhere Genauigkeit (MAE 1,89 °C statt 2,44 °C) und robustere Vorhersagen im Hochtemperaturbereich. Weitere Experimente belegen eine bessere Generalisierung bei Extrapolationen sowie eine geringere Abhängigkeit von der Trainingsdatensatzgröße und zeitlichen Auflösung.