複数の風力発電所の動的データストリームのための連合増分協調的障害診断方法

科学分野:

• 再生可能エネルギーシステム
• 機械学習
• データサイエンス

背景:

• プライバシーへの懸念とデータのサイロ化の高まりは、風力タービンの障害診断のための高度なソリューションを必要としています。
• 既存の連合学習方法は、動的データストリームと新しい障害クラスの導入に対処するのに苦労しており、非現実的なストレージおよび計算需要につながっています。
• 現在のモデルは、異種でリソースが限られた風力発電所の環境で新しい障害を診断する際に、重大なメモリ劣化に苦しんでいます。

研究 の 目的:

• 複数の風力発電所にわたる動的データストリームのための連合増分協調的障害診断方法を提案すること。
• 動的環境における新しい障害クラスの検出、モデルの可塑性-安定性のバランス、およびグローバルモデルの適応という課題に対処すること。
• 風力タービンの障害診断における連合学習のメモリ劣化を軽減し、パフォーマンスを向上させること。

主な方法:

• 新しい障害クラスの導入を特定するための新しい障害クラス検出方法。
• メモリ劣化問題に対処するためのローカル障害診断モデルの可塑性-安定性バランスメカニズム。
• データ異種性による集約モデルのメモリ劣化に対処するためのグローバルモデル適応補償方法。

主要な成果:

• 提案された手法は、風力タービンの障害診断のための連合学習モデルにおけるメモリ劣化問題を効果的に軽減します。
• 3つの中国の風力発電所からの実世界のデータを使用した検証は、最先端の方法と比較して優れたパフォーマンスを示しています。
• このアプローチは、動的データストリームと新しい障害クラスの出現を正常に処理します。

結論:

• 連合増分協調的障害診断方法は、動的環境における風力タービンのメンテナンスのための実用的で効果的なソリューションを提供します。
• この研究は、産業用アプリケーションにおける堅牢な連合学習のためのモデルの可塑性、安定性、および異種性に対処することの重要性を強調しています。
• この研究は、障害診断能力を向上させることにより、風力エネルギーの信頼性と効率を高めることに貢献しています。