AI校准分位数匹配估计：不规则风分布下精确预测威布尔参数的新方法及其在海上风电结构健康监测中的应用

《ENERGY CONVERSION AND MANAGEMENT》：AI-calibrated quantile matching estimation: A new method for accurate Weibull parameter prediction under irregular wind distributions

本文提出了一种创新的人工智能校准分位数匹配估计（AICQME）框架，通过结合分位数优化与AI校准，显著提升了不规则风况下威布尔分布参数（形状参数k和尺度参数c）的预测精度。相较于传统方法（如MLM、EML等），AICQME在RMSE（降低高达36.8%）、MAE（降低高达34.2%）和R2（>0.985）等指标上均表现出最优性能，为海上风电资源评估、涡轮机支撑结构设计及IEC设计载荷工况（DLC）仿真提供了更可靠的数据基础，推动了AI驱动范式在可再生能源结构分析中的应用。

　　

Highlight

AICQME框架的突出优势在于其首次将人工智能校准引入概率性威布尔参数估计领域，同时整合了统计分位数匹配和基于AI的偏差校正技术。该框架能够精确模拟不规则、偏态和多峰风分布，在多个海上数据集和不同年份间展现出卓越的泛化能力。与传统最优方法相比，其RMSE和MAE降低了30%以上，同时提供计算轻量、易于部署的解决方案（每个站点<2秒），显著增强了IEC设计载荷工况（DLC）仿真和涡轮机设计的可靠性，并提供了一个可迁移的框架，适用于其他随机可再生能源数据集。

Computational cost and scalability

为了阐明实际可行性，报告AICQME的计算特性至关重要，这包括训练（AI模块的离线校准）和推理（站点级参数估计）两个方面。推理是主要的操作需求，在实验中每个站点能在<2秒内完成，这与近实时评估工作流程兼容。轻量级前馈网络（第3.2节）的训练是一个离线步骤，仅在添加新的校准数据或扩展到新区域时才需要执行。训练时间取决于数据集大小和网络复杂度，但在标准计算资源上通常在可接受的范围内（例如，对于涵盖多个站点多年的典型风数据集，训练时间在几分钟到几十分钟量级）。这种可扩展性使AICQME适用于大规模风电场评估，其中快速、准确的站点间参数估计至关重要。

Conclusions

本研究提出的AICQME（AI校准分位数匹配估计）框架，作为一种稳健而精确的方法论，用于预测复杂和不稳定风况下的威布尔分布参数和平均风速。通过利用基于分位的分布拟合并经由AI进行校准，该模型在韩国三个不同沿海站点（群山、扶安、衣橱）的七年（2017-2023年）数据上，均优于六种传统方法（EML, EMJ, MLM, EPF, MMLM, GP）。与表现次佳的方法相比，AICQME将RMSE和MAE降低了超过30%，在所有评估数据集上实现了最高的平均R2（>0.985）和最低的K-S距离。此外，该框架准确地预测了峰值风频率，与实测分布的一致性超过98%，并通过其3D威布尔概率密度函数（PDF）等高线图展示了比传统方法产生的碎片化轮廓更连续、物理一致且具有湍流弹性的风廓线。其计算效率（每个站点<2秒）和在不同风况下的适应性，突显了其在海上风能评估和涡轮机支撑结构设计优化方面的实际应用潜力，特别是在处理不规则和偏态分布时。未来的工作将探索AICQME在更广泛的地理区域和不同可再生能源（如太阳能和波浪能）建模中的转移学习能力。