A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Anomaly Prediction for Wind Turbines Using an Autoencoder Based on Power-Curve Filtering Previsão de anomalias para turbinas eólicas usando um codificador automático baseado em filtragem de curva de potência

Masaki TAKANASHI, Shu-ichi SATO, Kentaro INDO, Nozomu NISHIHARA, Hiroto ICHIKAWA, Hirohisa WATANABE

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Prever o momento do mau funcionamento das turbinas eólicas é essencial para manter a elevada rentabilidade do negócio de geração de energia eólica. Métodos de aprendizado de máquina foram estudados usando dados do sistema de monitoramento de condições, como dados de vibração e dados de controle de supervisão e aquisição de dados (SCADA), para detectar e prever anomalias em turbinas eólicas automaticamente. As técnicas baseadas em autoencoder atraíram um interesse significativo na detecção ou previsão de anomalias por meio de aprendizagem não supervisionada, na qual o padrão da anomalia é desconhecido. Embora tenha sido comprovado que as técnicas baseadas em autoencoder detectam anomalias de maneira eficaz usando dados SCADA relativamente estáveis, elas funcionam mal no caso de dados SCADA deteriorados. Nesta carta, propomos um método de filtragem de curva de potência, que é uma técnica de pré-processamento usada antes da aplicação de uma técnica baseada em autoencoder, para mitigar a sujeira dos dados SCADA e melhorar o desempenho de previsão da degradação de turbinas eólicas. Avaliamos seu desempenho usando dados SCADA obtidos de um parque eólico real.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.9 pp.1506-1509
Data de publicação
2021/09/01
Publicitada
2021/06/07
ISSN online
1745-1361
DOI
10.1587/transinf.2020EDL8127
Tipo de Manuscrito
LETTER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Masaki TAKANASHI
  Toyota Central Research and Development Laboratories Incorporated
Shu-ichi SATO
  Toyota Central Research and Development Laboratories Incorporated
Kentaro INDO
  Eurus Technical Service Corporation
Nozomu NISHIHARA
  Eurus Technical Service Corporation
Hiroto ICHIKAWA
  Eurus Energy Holdings Corporation
Hirohisa WATANABE
  Toyota Tsusho Corporation

Palavra-chave