Это такое клише, но также и неоспоримый факт, что в настоящее время мы живем в мире, управляемом данными и информацией. Человеческая раса прошла долгий путь, проходя через разные эпохи, такие как каменный век и железный век, и сейчас наступила заря новой эры, известной как «Век аналитики».

Доступность избыточного объема данных из различных источников, таких как Интернет, литература, эксперименты, датчики и т. д., позволила отраслям рассмотреть различные варианты того, как использовать эти данные для улучшения организации, и в нынешнем сценарии машинное обучение и ИИ перейти к области науки или техники для более эффективного использования этих данных.

На этом графике показано количество рабочих мест, связанных с наукой о данных, которые будут созданы для конкретной отрасли в ближайшем будущем, что также свидетельствует о том, насколько активно каждая отрасль стремится внедрять машинное обучение и искусственный интеллект для получения оптимальных результатов. Неудивительно, что здравоохранение и автомобилестроение немного опережают кривую по сравнению с другими отраслями, но, к моему разочарованию, энергетический сектор, особенно ветровая, не представлен на этом графике, однако реальная реальность сильно отличается.

Введение Парижского соглашения и стремление к использованию возобновляемых источников энергии дали возможность ветроэнергетике быстро расти и быстро развиваться, чтобы стать доминирующим сектором в области зеленой энергии. Что касается производителей ветряных турбин и поставщиков электроэнергии, то низкая норма прибыли и жесткая конкуренция подтолкнули их к поиску различных вариантов обеспечения эффективной и бесперебойной подачи энергии для своих клиентов. Машинное обучение и искусственный интеллект меняют правила игры в этой игре. Эта статья предназначена для того, чтобы пролить свет на области, в которых ML и AI используются и могут быть использованы в секторе ветроэнергетики.

1. Прогнозирование производства энергии ветряными турбинами:

Одним из основных недостатков энергии ветра является то, что она не является непрерывной, турбина производит энергию только тогда, когда скорость ветра превышает определенное значение, которое, в свою очередь, зависит от различных факторов и параметров окружающей среды, в основном от погодных условий. Если производимая энергия настолько ненадежна и непостоянна , как можно гарантировать, что потребности в энергии будут удовлетворены?. Чтобы ответить на этот вопрос, DeepMind от Google разработал модель машинного обучения, которая может прогнозировать производительность турбины на 36 часов вперед, используя данные о погоде и исторические данные о производительности ветряных турбин. Основываясь на этих прогнозах, модель может рекомендовать, как принять оптимальные почасовые обязательства по поставке электроэнергии в энергосистему на целый день вперед, что привело к увеличению стоимости энергии ветра на 20%, что является весьма значительным. Также с помощью M.L и A.I концепция Smart Grid постепенно обретает форму.

2. Проверка обледенения лезвия:

Ветряные турбины иногда подвергаются различным суровым условиям окружающей среды в зависимости от географического положения, в котором установлена ​​турбина. Ледяные отложения на лопастях ветряных турбин в регионах с экстремально холодными условиями не только приводят к снижению выработки энергии примерно на 20%, но также вызывают дополнительные нагрузки или нагрузки на внутренние компоненты, что приводит к ненужным затратам на техническое обслуживание. В недавно опубликованной статье описывается, как WaveletFCNN, модель классификации глубоких временных рядов, может использоваться для обнаружения обледенения лопастей. Этот механизм обнаружения состоит из двух компонентов: 1) WaveletFCNN: для классификации временных рядов — серий точек данных, проиндексированных во временном порядке — с входными данными, генерируемыми датчиками общего назначения, которые регистрируют скорость ветра, внутреннюю температуру, положение рыскания, углы тангажа, выходная мощность и другие погодные условия и условия работы турбины. 2)Алгоритм мониторинга аномалий: уловить признаки в данных замороженных лезвий. При раннем обнаружении обледенения можно инициировать противообледенительную обработку с гораздо более высоким временем отклика, повышая эффективность турбин и снижая затраты на техническое обслуживание. (Прочитайте этот исследовательский документ, чтобы узнать больше технических деталей об этой модели: https://arxiv.org/pdf/1902.05625.pdf).

3. Устранение ручной проверки блейдов:

Помимо обледенения, лопасти ветряных турбин также сталкиваются с различными частицами, присутствующими на ветру, что приводит к тому, что известно как эрозия или расслаивание лопастей (в основном из эпоксидного стекловолокна). Это расслоение лопаток на передней кромке со временем приводит к значительному снижению эффективности турбины. Таким образом, периодический осмотр лезвий проводится для проверки расслаивания, к сожалению, в большинстве случаев осмотры проводятся вручную обслуживающим персоналом, что требует много времени и беспокойства. В последнее время различные стартапы придумали концепцию использования дронов для наблюдения, в некоторой степени исключая вмешательство человека. Теперь изображение, снятое этими дронами, можно сравнить с набором данных изображений расслоения лопастей в различные промежутки времени, используя глубокую нейронную сеть, такую ​​как CNN, чтобы оценить, когда может произойти расслоение, степень произошло повреждение и когда именно требуется техническое обслуживание лезвий.

3. Мониторинг состояния:

Мониторинг состояния (CM) - это процесс наблюдения за внутренними компонентами ветряной турбины для выявления изменений в работе, которые могут свидетельствовать о развитии неисправности, проще говоря, это процесс проверки состояния турбины. и чтобы увидеть, не развиваются ли какие-либо нежелательные неисправности или ошибки. CM выполняется путем анализа различных данных, таких как вибрации, измерения деформации, акустическая эмиссия и т. д., поступающих от различных датчиков, установленных внутри турбины. Использование ML для прогнозирования того, может ли произойти определенная ошибка или нет, с учетом информации о различных сигналах, является исследованием, которое широко проводилось в последнее время. Одна конкретная опубликованная исследовательская работа предлагает использовать простые регрессионные и классификационные модели ML, чтобы помочь в C.M. Это не только помогает в раннем обнаружении неисправности, но также может помочь предсказать еще до того, как она может произойти, что значительно экономит расходы на техническое обслуживание, эксплуатацию и обслуживание.(Ознакомьтесь с этим исследовательским документом об использовании ML для мониторинга состояния:https://www.sciencedirect.com/science/article/pii/S096014811831231X)

4. Производство и обработка несоответствий:

Основные компоненты ветряной турбины очень велики по размеру и в основном изготавливаются с использованием процесса, называемого литьем. Литье как таковое — очень сложный процесс, в котором большое количество параметров определяет качество конечного продукта. Использование машинного обучения для оптимизации этих параметров может пригодиться для создания качественного продукта и экономии затрат. Даже после контроля этих параметров существует очень большая вероятность того, что конечный продукт может иметь некоторые дефекты, что приводит к так называемому несоответствию, указывающему на то, что конечный продукт не соответствует определенным критериям качества. Но эти компоненты нельзя легко утилизировать из-за связанных с этим затрат, и, следовательно, необходимо оценить, можно ли допустить дефектный компонент, учитывая все последствия. ML также может сыграть жизненно важную роль в этой области, чтобы ускорить процесс. процесс оценки. Проект, над которым я сейчас работаю.

5. Моделирование ветряной электростанции:

После того, как определенная площадка выбрана для установки ветряных турбин, следующим шагом будет проверка того, как эти ветряные турбины должны быть размещены рядом друг с другом, чтобы максимизировать выход энергии. Чтобы найти это, на рынке доступно множество программ виртуального моделирования, которые моделируют, соответствует ли данное положение турбины энергетическим требованиям или нет, на основе определенных параметров. С помощью машинного обучения и искусственного интеллекта и ранее доступных результатов или данных моделирования можно подойти к этой проблеме как к прогнозному анализу, а не к ее моделированию каждый раз. Также мы можем попросить алгоритмы порекомендовать наиболее подходящие положения турбины для удовлетворения энергетических потребностей.

6. Анализ первопричин:

Типичный срок службы ветряной турбины составляет 25 лет. В течение срока службы некоторые внутренние компоненты могут выйти из строя, и выяснить точную причину отказа иногда бывает очень сложно и требует много времени и ручного вмешательства. Существует возможность сократить время и усилия, затрачиваемые на использование графов знаний и глубоких нейронных сетей, и помочь экспертам найти решение гораздо быстрее.

Это всего лишь несколько примеров, когда технологии машинного обучения и искусственного интеллекта можно использовать, чтобы сделать ветряные турбины более эффективными, чем когда-либо прежде. 😇.. Дайте мне знать, если у вас есть другие идеи, в которых, по вашему мнению, M.L-A.I может создать огромную разницу в ветровом или энергетическом секторе.