Nghiên cứu phát hiện sự cố trên hệ thống tuabin gió dựa trên học máy
41 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.94.2024.3-10Từ khóa:
Năng lượng tái tạo; Tuabin gió; Sự cố; SCADA; Học máy.Tóm tắt
Năng lượng tái tạo nói chung và năng lượng gió nói riêng đang ngày càng nhận được nhiều sự quan tâm với mục tiêu giảm phát thải khí nhà kính và sản xuất năng lượng sạch. Trong những năm gần đây, các nhà máy và trang trại gió tăng lên đáng kể, thúc đẩy năng lượng gió trở thành một nguồn năng lượng vô cùng tiềm năng. Tuy nhiên, với tính chất bất định của nguồn năng lượng gió thì việc đảm bảo hệ thống tuabin gió vận hành an toàn, giảm thiểu thời gian ngừng hoạt động do sự cố đóng vai quan trọng để tối ưu hóa chi phí sản xuất và nâng cao độ tin cậy của hệ thống điện. Trong nghiên cứu này, nhóm tác giả đề xuất sử dụng các mô hình học máy để phát hiện sự cố xảy ra trên hệ thống tuabin gió. Các thông số vận hành đo được từ SCADA được sử dụng làm dữ liệu đầu vào cho các mô hình học máy. Kết quả cho thấy, các mô hình học máy có thể phát hiện sự cố trên hệ thống tuabin gió với độ chính xác lên đến hơn 99% với thời gian huấn luyện mô hình chỉ cỡ vài chục ms.
Tài liệu tham khảo
[1]. McMillan, D.; Ault, G. “Quantification of condition monitoring benefit for offshore wind turbines,” Wind Energy, vol. 31, pp. 267-285, (2007). DOI: https://doi.org/10.1260/030952407783123060
[2]. Drewry, M.; Georgiou, G. “A review of NDT techniques for wind turbines,” Insight, vol. 49, pp. 137-141, (2007). DOI: https://doi.org/10.1784/insi.2007.49.3.137
[3]. Aval, S.; Ahadi, A. “Wind turbine fault diagnosis techniques and related algorithms,” Int. J. Renew. Energy Res., vol. 6, pp. 80-89, (2016).
[4]. Hameed, Z.; Hong, Y.; Cho, Y.; Ahn, S.; Song, C. “Condition monitoring and fault detection of wind turbines and related algorithms: A review,” Renew. Sustain. Energy Rev., vol. 13, pp. 1-39, (2009). DOI: https://doi.org/10.1016/j.rser.2007.05.008
[5]. Lu, B.; Li, Y.; Wu, X.; Yang, Z. “A review of recent advances in wind turbine condition monitoring and fault diagnosis,” In Proceedings of the IEEE Power Electronics and Machines in Wind Applications, Lincoln, NE, USA, pp. 1-7, (2009). DOI: https://doi.org/10.1109/PEMWA.2009.5208325
[6]. Y. Shi, Y. Liu and X. Gao, “Study of Wind Turbine Fault Diagnosis and Early Warning Based on SCADA Data,” in IEEE Access, vol. 9, pp. 124600-124615, (2021). DOI: https://doi.org/10.1109/ACCESS.2021.3110909
[7]. María Peco Chacón and F. Pedro García Márquez, “SCADA data analytics for fault detection and diagnosis of wind turbines,” 7th International Conference on Control, Instrumentation and Automation (ICCIA), Tabriz, Iran, pp. 1-6, (2021). DOI: https://doi.org/10.1109/ICCIA52082.2021.9403538
[8]. Karadayi, Y. Kuvvetli and S. Ural, “Fault-related Alarm Detection of a Wind Turbine SCADA System,” 3rd International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), Ankara, Turkey, pp. 1-5, (2021). DOI: https://doi.org/10.1109/HORA52670.2021.9461331
[9]. S. Zhang, Y. Wang, M. Liu and Z. Bao, “Data-Based Line Trip Fault Prediction in Power Systems Using LSTM Networks and SVM,” in IEEE Access, vol. 6, pp. 7675-7686, (2018). DOI: https://doi.org/10.1109/ACCESS.2017.2785763
[10]. C. Ren, H. Yuan, Q. Li, R. Zhang and Y. Xu, “Pre-Fault Dynamic Security Assessment of Power Systems for Multiple Different Faults via Multi-Label Learning,” in IEEE Transactions on Power Systems, vol. 38, no. 6, pp. 5501-5511, Nov. (2023). DOI: https://doi.org/10.1109/TPWRS.2022.3223166
