Data mining for diagnosis, monitoring, and prediction in wind power plants

Saeidi, Mostafa (2020). Data mining for diagnosis, monitoring, and prediction in wind power plants. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (7MB) | Prévisualisation
Prévisualisation	PDF Télécharger (859kB) | Prévisualisation

Résumé

Nowadays, renewable energy sources play the key role in power system engineering. Among multiplicity of energy sources, wind energy is more popular due to its substantial advantages such as lower prices of produced electricity, their established technology, and being more accessible. However, these technologies have considerable costs that can mitigate profit for the investors and consumers. Among the different costs, the operation and maintenance (O&M) costs have the key role since many installed wind turbines are getting older. To mitigate the O&M costs it is crucial to update the defined strategies for condition monitoring (CM) in wind farms. The proper CM tool should be developed after exerting complete survey of existing CM techniques. To shift from a manual CM toward an automatic and smart approach, the machine learning and data mining concepts will be utilized in this application. The need for a modern condition monitoring strategy coincides with the emergence of Deep Learning (DL) in the recent decade. In this thesis, a novel condition monitoring is proposed to monitor the temperature of generator windings in a wind farm using Long Short-Term Memory (LSTM) model which is a Recurrent Neural Network (RNN) method. This DL model is a practical and unique choice for prediction due to its ability for considering long-term dependencies among input sequential features, which in this case are the provided time-series datasets by SCADA system. The time series SCADA datasets are provided by Power Factors which has a vast database of information about performance of different power plants which is gathered by SCADA system at 1Hz frequency. The novel proposed model in this thesis is evaluated in healthy and abnormal operation modes of a wind farm in Quebec Province, Canada as case scenarios. Moreover, the error signal is calculated between real and predicted signals to evaluate the proper performance of the model. Finally, this model is compared with Multiple Linear Regression model to show the effectiveness and high precision of the proposed model.

Titre traduit

Extraction de données pour le diagnostic, la surveillance et la prévision dans les centrales éoliennes

Résumé traduit

De nos jours, les sources d'énergie renouvelables jouent un rôle clé dans l'ingénierie des systèmes électriques. Parmi la multiplicité des sources d'énergie, l’énergie éolienne est plus populaire en raison de ses avantages substantiels tels que le bas coût de l’énergie produite, sa technologie bien établie et le fait qu'elle soit plus accessible. Cependant, ce type de technologies a des coûts considérables qui peuvent réduire les bénéfices des investisseurs et des consommateurs. Parmi les différents coûts, les coûts d'exploitation et de maintenance jouent un rôle clé, car de nombreuses éoliennes installées vieillissent. Pour réduire les coûts d’exploitation et d’entretien, il est essentiel d’actualiser les stratégies définies pour la surveillance de l’état dans les parcs éoliens. L’outil de surveillance de l’état approprié doit être développé après avoir effectué une étude complète des techniques de surveillances de l’état existantes. Pour passer d’une surveillance de l’état manuelle à une approche automatique et intelligente, les concepts d’apprentissage automatique et d’exploration de données seront utilisés dans cette application. La nécessité d’une stratégie moderne de surveillance de l’état coïncide avec l’émergence de l’apprentissage en profondeur au cours de la dernière décennie. Une nouvelle surveillance de l’état est proposée dans cette thèse, afin de surveiller la température des enroulements des générateurs dans un parc éolien, en utilisant le modèle de mémoire à court terme qui est une méthode de réseau de neurones récurrents. Ce modèle d’apprentissage en profondeur est un choix pratique et unique pour la prédiction en raison de sa capacité à prendre en compte les dépendances à long terme entre les caractéristiques séquentielles d’entrée qui, dans ce cas, sont l’ensemble des données chronologiques fournies par le système SCADA. Les données chronologiques de SCADA sont fournies par Power Factors qui dispose d'une vaste base de données d'informations sur les performances des différentes centrales électriques, qui a été rassemblée par un système SCADA à une fréquence de 1 Hz. Le nouveau modèle proposé dans cette thèse est évalué à partir d’un parc éolien dans la province de Québec (Canada), où les scénarios de cas seront des conditions de fonctionnement sain et anormal. De plus, le signal d’erreur est calculé entre les signaux réels et prédits pour évaluer la bonne performance du modèle. Enfin, ce modèle est comparé avec le modèle de régression linéaire multiple pour montrer l’efficacité et la grande précision du modèle proposé.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to école de technologie supérieure in partial fulfillment for a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 82-88).
Mots-clés libres:	surveillance de l'état, mémoire à court terme, SCADA, apprentissage en profondeur, température des enroulements du générateur
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Chandra, Ambrish
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	13 janv. 2021 18:17
Dernière modification:	13 janv. 2021 18:17
URI:	https://espace.etsmtl.ca/id/eprint/2614

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt