Physics-Informed Neural Networks and Machine Learning Algorithms for Sustainability Advancements in Power Systems Components
Tid: Fr 2023-11-03 kl 09.00
Plats: Room 3412, Sten Velander, Teknikringen 33
Videolänk: https://kth-se.zoom.us/j/62590383218
Språk: Engelska
Ämnesområde: Datalogi
Licentiand: Federica Bragone , Beräkningsvetenskap och beräkningsteknik (CST)
Granskare: Matthias Ehrhardt, University of Wuppertal, Wuppertal, Germany
Huvudhandledare: Stefano Markidis, SeRC - Swedish e-Science Research Centre, Beräkningsvetenskap och beräkningsteknik (CST); Kateryna Morozovska, Beräkningsvetenskap och beräkningsteknik (CST), Hållbarhet, Industriell dynamik & entreprenörskap; Tor Laneryd, Hitachi Energy, Västerås, Sweden; Michele Luvisotto, Hitachi Energy, Västerås, Sweden
QC 20231010
Abstract
Ett kraftsystem består av många kritiska komponenter som är nödvändiga för att leverera el från producenter till konsumenter. Att övervaka livslängden på kraftsystemets komponenter är avgörande eftersom de utsätts för elektriska strömmar och höga temperaturer som påverkar deras åldrande. Att uppskatta komponentens åldringshastighet nära slutet av dess livslängd är motivationen bakom vårt projekt. Genom att känna till åldringshastigheten och den förväntade livslängden kan vi eventuellt utnyttja och återanvända befintliga kraftkomponenter och deras delar bättre. I gengäld kan vi uppnå bättre materialutnyttjande, minska kostnaderna och förbättra hållbarhetsdesignen vilket bidrar till den cirkulära industriutvecklingen av kraftsystemskomponenter. Övervakning av värmefördelningen och nedbrytningen av isoleringsmaterialen indikerar komponenternas hälsotillstånd. Dessutom kan ytterligare studier av pappersmaterial i kraftkomponenternas isoleringssystem leda till en djupare förståelse av dess termiska karaktärisering och en möjlig förbättring.
Vår studie syftar till att skapa en modell som kombinerar de fysiska ekvationer som styr försämringen av isoleringssystemen i kraftkomponenter med moderna algoritmer för maskininlärning.
Eftersom datan är begränsad och komplex när det gäller komponenters åldrande kan fysikinformerade neurala nätverk (PINNs) hjälpa till att lösa problemet. PINNs utnyttjar den förkunskap som finns lagrad i partiella differentialekvationer (PDE) eller ordinära differentialekvationer (ODE) för att modellera system och använder dessa ekvationer för att begränsa antalet tillgängliga lösningar och därmed minska den mängd träningsdata som behövs.
Denna avhandling är uppdelad i två delar: den första fokuserar på krafttransformatorers isoleringssystem, och den andra är en undersökning av pappersmaterialet som används med fokus på klassificering av cellulosananofibriller (CNF). Den första delen omfattar modellering av värmefördelningen och nedbrytningen av cellulosan inuti krafttransformatorn. En försämring av ett av de två systemen kan leda till allvarliga konsekvenser för det andra. Både PINNs förmåga att approximera lösningen av ekvationerna och att hitta de parametrar som bäst beskriver datan undersöks. Den andra delen skulle kunna ses som en fristående del, men den leder till en utökad förståelse av själva pappersmaterialet. Flera CNF-material och koncentrationer presenteras och denna avhandling föreslår en simpel oövervakad inlärning med klusteralgoritmer som k-means och Gaussian Mixture Models (GMMs) för deras klassificering.