Data-driven models for power prediction in wind farms

Accurate ultra-short-term wind power forecasting is important for real-time power system operation, especially when the share of renewable generation is high. Existing graph-based forecasting models have three common limitations: static inter-turbine adjacency structures that do not adapt to changing wind direction, shared aerody- namic parameters that ignore turbine-level differences, and training losses that do not give extra weight to medium-to-high output conditions. This thesis proposes an adaptive physics-informed graph neural network, a hybrid physics and data-driven spatiotemporal framework for ultra-short-term wind power forecasting. The framework has four main components. First, a dynamic wind- direction-aware adjacency mechanism reconstructs the inter-turbine graph at every prediction step using the cosine alignment between the measured wind vector and turbine geometry. Second, a gated recurrent unit encoder combined with a graph attention network is augmented by a Gaussian time-lag bias term derived from inter-turbine distance and instantaneous wind speed, guiding the attention mecha- nism toward the expected wake propagation delay for each upstream–downstream turbine pair. Third, a turbine-specific effective aerodynamic coefficient is calibrated for each turbine from its own Supervisory Control and Data Acquisition training record using the Betz power equation, allowing the physical component to account for turbine-level aerodynamic differences. Fourth, an adaptive blending function combines the data-driven prediction with the per-turbine physical estimate, with the physics contribution increasing with wind speed above 7.0 m/s and capped at a maximum weight of 0.40 at 12.0 m/s. Training uses an asymmetric weighted loss that assigns a penalty multiplier of 3.0 to samples with observed power above 150 kW. The framework is evaluated on a real Supervisory Control and Data Acquisition dataset from four wind turbines (T01, T06, T07, T11) of a commercial onshore wind farm in Portugal, covering the full calendar year of 2016. The dataset contains 50,429 synchronised 10-minute timesteps, giving 50,426 sliding-window samples after applying the look-back window of L = 3. A strict chronological 70/15/15 train– validation–test split is used. Compared with the graph-neural-network-only version, the hybrid model reduces mean absolute error from 21.35 kW to 19.10 kW and root mean squared error from 32.83 kW to 30.17 kW across all turbines, corresponding to a 10.5% improvement in mean absolute error, while the coefficient of determination improves from 0.9107 to 0.9245. Under high-wind conditions (wind speed above 7.0 m/s), the mean absolute error decreases from 36.11 kW to 31.19 kW, a 13.63% reduction. The hybrid model does not outperform all baselines on global average metrics; Persistence and Long Short-Term Memory achieve lower mean absolute error at the 10-minute horizon. Its main contribution is the consistent improvement over the graph-neural-network-only version and the physically interpretable dynamic graph structure, especially under high-wind conditions.

Una previsione accurata della produzione eolica nel brevissimo termine è importante per il funzionamento in tempo reale dei sistemi elettrici, soprattutto quando la quota di generazione da fonti rinnovabili è elevata. I modelli di previsione basati su grafi esistenti presentano tre limitazioni comuni: strutture di adiacenza statiche tra turbine che non si adattano ai cambiamenti della direzione del vento, parametri aerodinamici condivisi che ignorano le differenze a livello di singola turbina e funzioni di perdita di addestramento che non assegnano un peso maggiore alle condizioni di produzione medio-alta. Questa tesi propone una rete neurale a grafo adattiva e informata dalla fisica, un framework spaziotemporale ibrido, basato sia sulla fisica sia sui dati, per la previsione della produzione eolica nel brevissimo termine. Il framework comprende quattro componenti principali. In primo luogo, un meccanismo dinamico di adiacenza sensibile alla direzione del vento ricostruisce il grafo tra le turbine a ogni passo di previsione, utilizzando l’allineamento coseno tra il vettore del vento misurato e la geometria delle turbine. In secondo luogo, un encoder basato su Gated Recurrent Unit combinato con una Graph Attention Network viene arricchito con un termine di bias temporale gaussiano derivato dalla distanza tra turbine e dalla velocità istantanea del vento, guidando il meccanismo di attenzione verso il ritardo atteso di propagazione della scia per ciascuna coppia di turbine a monte e a valle. In terzo luogo, per ogni turbina viene calibrato un coefficiente aerodinamico efficace specifico, utilizzando il relativo registro di addestramento Supervisory Control and Data Acquisition e l’equazione di potenza di Betz; ciò consente alla componente fisica di tenere conto delle differenze aerodinamiche tra le singole turbine. In quarto luogo, una funzione di combinazione adattiva integra la previsione basata sui dati con la stima fisica per turbina, aumentando il contributo della fisica quando la velocità del vento supera 7,0 m/s e limitandolo a un peso massimo di 0,40 a 12,0 m/s. L’addestramento utilizza una funzione di perdita pesata asimmetrica che assegna un moltiplicatore di penalità pari a 3,0 ai campioni con potenza osservata superiore a 150 kW. Il framework viene valutato su un dataset reale Supervisory Control and Data Acquisition proveniente da quattro turbine eoliche, T01, T06, T07 e T11, di un parco eolico commerciale onshore in Portogallo, relativo all’intero anno solare 2016. Il dataset contiene 50.429 timestep sincronizzati a intervalli di 10 minuti, generando 50.426 campioni con finestra scorrevole dopo l’applicazione della finestra retrospettiva di L = 3. Viene utilizzata una rigorosa suddivisione cronologica 70/15/15 in set di addestramento, validazione e test. Rispetto alla versione basata esclusivamente su rete neurale a grafo, il modello ibrido riduce l’errore assoluto medio da 21,35 kW a 19,10 kW e la radice dell’errore quadratico medio da 32,83 kW a 30,17 kW su tutte le turbine, corrispondendo a un miglioramento del 10,5% nell’errore assoluto medio, mentre il coefficiente di determinazione migliora da 0,9107 a 0,9245. In condizioni di vento forte, con velocità del vento superiore a 7,0 m/s, l’errore assoluto medio diminuisce da 36,11 kW a 31,19 kW, pari a una riduzione del 13,63%. Il modello ibrido non supera tutte le baseline nelle metriche medie globali; Persistence e Long Short-Term Memory ottengono un errore assoluto medio inferiore all’orizzonte di previsione di 10 minuti. Il contributo principale del modello consiste nel miglioramento coerente rispetto alla versione basata esclusivamente su rete neurale a grafo e nella struttura dinamica del grafo fisicamente interpretabile, in particolare nelle condizioni di vento forte.