Till innehåll på sidan

A Fault Detection Framework Using Recurrent Neural Networks for Condition Monitoring of Wind Turbines

Tid: To 2021-01-28 kl 13.00

Plats: zoom link for online defense (English)

Ämnesområde: Elektro- och systemteknik

Respondent: Yue Cui , Elektroteknik

Opponent: Professor Bikash C Pal, Imperial College London

Handledare: Professor Lina Bertling, Elektrotekniska system, Elkraftteknik, Elektroteknisk teori och konstruktion; Dr Pramod Bangalore, Greenbyte AB

Abstract

Energisystem i världen över genomgår en omställning till ett hållbart system med ambitiösa mål för ökad användning av förnybara energikällor. En central trend i denna omställning har varit en markant ökning av elektricitet från vindturbiner och integrering i elnätet. För att lyckas med denna omställning behöver effektiva verktyg utvecklas för förvaltning av tillgångar och underhållsstyrning. Asset Management är en samordnad aktivitet för en organisation för att få värde från en tillgång där underhåll utgör en stor del. Traditionellt underhåll baseras vanligtvis på schemalagd övervakning och fysiska inspektioner. Men med ny åtkomst av data och information om tillgångar tillståndsbaserat underhåll visar sig vara en effektiv lösning för kapitalförvaltning. Denna avhandling undersöker datadrivna lösningar för elektrisk utrustning att generera varnar för potentiella driftsrisker, som är inriktade på digital, effektiv och kostnadseffektiv underhållsstyrning. Specifikt studerar avhandlingen vindkraftverk.

Denna avhandling föreslår ett ramverk för feldetektering för kostnadseffektivt förebyggande underhåll av vindkraftverk med tillståndsövervakning. Avhandlingen använder data från övervakningskontroll och datainsamlingssystem. För logghändelser mappas varje händelse till motsvarande komponenter baserat på Reliawind taxonomin. För driftdata används återkommande neurala nätverk för att modellera normalt beteende, vilka lära sig de tidsmässiga beroendeförhållanden mellan olika tidsserier. Baserat på uppskattade resultat föreslås en tvåstegs tröskelmetod som efterbehandling för att bestämma driftsförhållandena. Metoden utvärderar skiftvärden som avviker från uppskattat beteende och dess varaktighet för att dämpa mindre fluktuationer. Ett tillståndsövervakningssystem med två nivåer är konstruerat för att tillämpa det föreslagna feldetekteringsramverket, som är inriktat på att upptäcka eventuella fel hos komponenter och genomföra prestandaanalys av turbiner. Ramverket för feldetektering testas med erfarenhetsdata från vindkraftparker på land. Resultaten visar att ramverket kan upptäcka operativarisker och minska falska larm.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-288175