Farm-wide virtual load monitoring for offshore wind structures via Bayesian neural networks

要約

洋上風力発電施設は、運用期間を通じて劣化の影響を受けます。
物理ベースの劣化モデルを通じて構造要素の劣化の進行を推定できる場合でも、プロセスに含まれる不確実性がライフサイクル管理の決定の選択を妨げます。
このシナリオでは、効率的な監視システムを通じて関連情報を収集することで不確実性を軽減し、最終的にはより最適なライフサイクルの意思決定を推進できます。
ただし、発電所内のすべての風力タービンに完全な監視計器を実装することは、実際的および経済的な制約により実現不可能になる可能性があります。
さらに、特定の負荷監視システムは、数年間海洋環境にさらされると欠陥が生じることがよくあります。
前述の懸念に対処するには、フリートリーダー風力タービンが主導する農場全体の仮想負荷監視スキームが魅力的なソリューションを提供します。
完全に計装された風力タービンから取得したデータを使用してモデルをトレーニングして展開することができるため、標準データのみが利用可能な完全に監視されていない風力タービンの負荷予測が得られます。
この論文では、ベイジアン ニューラル ネットワーク (BNN) を介して定式化された仮想負荷監視フレームワークを提案し、BNN データベースの仮想監視モデルの構築、トレーニング、展開に必要な関連実装の詳細を提供します。
決定論的な対応物とは対照的に、BNN は本質的に生成された負荷予測に関連する不確実性を通知し、完全に監視されていない風力タービンに対して生成された不正確な負荷推定値を検出できるようにします。
提案された仮想負荷モニタリングは、運用中の洋上風力発電所での実験キャンペーンを通じて徹底的にテストされ、その結果はフリートリーダーベースのファーム全体の仮想モニタリングに対する BNN モデルの有効性を実証しています。

要約(オリジナル)

Offshore wind structures are subject to deterioration mechanisms throughout their operational lifetime. Even if the deterioration evolution of structural elements can be estimated through physics-based deterioration models, the uncertainties involved in the process hurdle the selection of lifecycle management decisions. In this scenario, the collection of relevant information through an efficient monitoring system enables the reduction of uncertainties, ultimately driving more optimal lifecycle decisions. However, a full monitoring instrumentation implemented on all wind turbines in a farm might become unfeasible due to practical and economical constraints. Besides, certain load monitoring systems often become defective after a few years of marine environment exposure. Addressing the aforementioned concerns, a farm-wide virtual load monitoring scheme directed by a fleet-leader wind turbine offers an attractive solution. Fetched with data retrieved from a fully-instrumented wind turbine, a model can be trained and then deployed, thus yielding load predictions of non-fully monitored wind turbines, from which only standard data remains available. In this paper, we propose a virtual load monitoring framework formulated via Bayesian neural networks (BNNs) and we provide relevant implementation details needed for the construction, training, and deployment of BNN data-based virtual monitoring models. As opposed to their deterministic counterparts, BNNs intrinsically announce the uncertainties associated with generated load predictions and allow to detect inaccurate load estimations generated for non-fully monitored wind turbines. The proposed virtual load monitoring is thoroughly tested through an experimental campaign in an operational offshore wind farm and the results demonstrate the effectiveness of BNN models for fleet-leader-based farm-wide virtual monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google