Prediksjon av feil i vindturbiner på Smøla vindpark ved bruk av dyp læring

Abstract

Klimaendringer er en av de største utfordringene vår generasjon står ovenfor. Å effektivisere produksjonen til fornybare energikilder er ett av mange små bidrag som kan gjøre samfunnet mindre avhengig av fossile energikilder. Denne oppgaven handler om effektivisering av vindturbiner på Smøla vindpark, hvor målet er å effektivisere vindturbinene som allerede er utplassert ved å predikere feil som oppstår. Fokusområdet for å løse denne oppgaven er å se på tidspunktene hvor turbinene opplever at det er en feil i systemet, ved hjelp av data som er levert av Statkraft. Ved disse tidspunktene kan det oppstå tilfeller hvor turbinene må repareres og er, i en periode, ute av produksjon. Denne perioden er ønskelig å unngå for å opprettholde produksjonen til turbinene. For å unngå disse periodene vil det være ønskelig å predikere feilen før den oppstår. Dette gjøres ved hjelp av en maskinlæringsmodell som predikerer sannsynlig heten for at en alarm inntreffer i fremtiden. Maskinlæringsmodellen blir brukt flere ganger på forskjellige varianter av datasettene. Dette for å se om modellen blant annet predikerer bedre for alarmer som omhandler yaw-systemet på turbinene i forhold til alle typer alarmer. Forskjellen på hvor mange timer i forkant en alarm inntreffer er det også mulig å endre og sammenlikne. Det er ønskelig å vite så tidlig som mulig om en feil oppstår. Ved bedre tid vil det være enklere å reparere feilen. De forskjellige resultatene for prediksjonen til modellen er relativt stabile. Resultatene blir presentert som en utregning som viser avviket (feilen i predikeringen) fra det modellen predikerer til det som er den korrekte verdien. Disse verdiene omhandler intervallet som er en valgt tid før alarmen oppstår, helt til alarmen oppstår. Her er resultatet for de forskjellige datasettene relativt like. Det gjennomsnittlige avviket er 0,329 for alle resultatene. Den maksimale verdien til avviket som er mulig er 1. Det betyr at det er en svært lav andel som predikerer korrekt som igjen gjør at det blir vanskelig å stole på om det modellen predikerer er riktig eller ikke. Dette er viktig hvis det skulle være ønskelig å implementere modellen i ulike systemer.

The climate change is one of our generations biggest challenges. By optimizing the use of renewable energy sources, the need of fossil fuels is less necessary. This is one of many small steps to a better future. In this master thesis the goal is to make the wind turbines at Smøla windfarm more efficient. The main focus of this thesis, is analyzing alarms in wind turbines. This alarms happens when a fault occurs in the system. The source of the data used is Statkraft. At the timestamps where an alarm occur, the turbines need to be fixed. If it is possible to predict when an alarm occurs it will be easier to fix the problem in the future. Another advantage is that it will be easier to stabilize the production of power. This could optimize the production. Different datasets will be implemented in the same machine learning model for comparison. This is to get an overview of which dataset has the best fit for the model. One of the differences in the datasets is the range of hours in probability before an alarm is activated. The earlier an alarm can be predicted, the more time is available to solve the problem. It will be an advantage if it is possible to predict an alarm happening very early. Then it will be more time to fix the upcoming problem. Another change in the datasets, is when the alarms are connected to the yaw-system, and not all alarms. The results for the model in total are very much the same. In other situations, the results are presented as a calculation of the deviation between the correct values and the predicted values. There are different results for the model, but for some important datasets the mean deviation between the correct and predicted values is about 0.33. The maximum possible deviation is 1 so it is a model that has a low reliability. The low reliability makes it hard to implement this model in another tasks, where the data and the theory is about the same.