通过可解释的人工智能技术对风力轮机系统的状态监测

科学领域:

• 可再生能源工程可再生能源工程
• 人工智能在能源中的作用
• 机器学习用于状态监控.

背景情况:

• 风力轮机性能评估传统上使用单变功率曲线,往往无法捕捉复杂的操作动态.
• 需要多变量模型来考虑影响输出功率的工作参数和环境条件等因素.
• 现有的方法可能会忽略影响风力轮机效率和健康的关键变量.

研究的目的:

• 开发和验证使用可解释的人工智能 (XAI) 来构建多变量风力轮机功率曲线的数据驱动方法.
• 建立可重现的工作流程,以识别条件监控中最有影响力的输入变量.
• 通过揭示以前未被探索的解释变量来增强异常检测.

主要方法:

• 可解释的人工智能 (XAI) 的应用,用于构建多变量功率曲线模型.
• 顺序的特征选择,以最大限度地减少根-平均-平方误差,并确定最佳的输入变量.
• 计算沙普利系数以量化每个选定变量的模型误差贡献.

主要成果:

• 拟议的方法有效地检测风力轮机性能中的隐藏异常.
• 确定了一组与旋转机和叶片俯冲控制相关的新型高度解释性变量.
• 与传统的单变量模型相比,这种方法显示出更高的性能.

结论:

• 采用XAI驱动的多变量功率曲线为风力轮机状况监测提供了显著的优势.
• 该方法提供了对影响轮机性能的操作因素的新见解,并使更强大的异常检测成为可能.
• 这种方法为改善风能预测性维护和运营效率铺平了道路.