Population-based wind farm monitoring based on a spatial autoregressive approach

要約

風力発電所運営者が直面する重要な課題は、運用とメンテナンスのコストを削減することです。
構造健全性モニタリングは、不必要なメンテナンスの出張を最小限に抑え、タービンの耐用年数を延長することでコスト削減の手段を提供します。
人口ベースの構造健全性モニタリングでは、複数の構造物 (タービンなど) に 1 つのシステムを実装することで、健全性モニタリング システムのコストをさらに削減できます。
同時に、構造集団内でデータを共有することで、構造の挙動の予測が向上する可能性があります。
集団/農場レベルでタービンのパフォーマンスを監視するための重要な最初のステップは、通常の条件下でのすべてのタービンの動作を記述するモデルを構築することです。
この論文は、後流効果によって引き起こされる空間的および時間的相関（タービン間）を明示的に捉える集団レベルのモデルを提案します。
提案されたモデルはガウス過程ベースの空間自己回帰モデルであり、ここでは GP-SPARX モデルと名付けられています。
このアプローチは、(a) 航跡効果についての物理的な理解を反映していること、および (b) 確率的データベースの学習器の恩恵を受けていることから開発されました。
空間的および時間的変動を捕捉する GP-SPARX モデルの機能と、健全性モニタリング システムへの潜在的な適用可能性を実証するために、ケース スタディが提供されます。

要約(オリジナル)

An important challenge faced by wind farm operators is to reduce operation and maintenance cost. Structural health monitoring provides a means of cost reduction through minimising unnecessary maintenance trips as well as prolonging turbine service life. Population-based structural health monitoring can further reduce the cost of health monitoring systems by implementing one system for multiple structures (i.e.~turbines). At the same time, shared data within a population of structures may improve the predictions of structural behaviour. To monitor turbine performance at a population/farm level, an important initial step is to construct a model that describes the behaviour of all turbines under normal conditions. This paper proposes a population-level model that explicitly captures the spatial and temporal correlations (between turbines) induced by the wake effect. The proposed model is a Gaussian process-based spatial autoregressive model, named here a GP-SPARX model. This approach is developed since (a) it reflects our physical understanding of the wake effect, and (b) it benefits from a stochastic data-based learner. A case study is provided to demonstrate the capability of the GP-SPARX model in capturing spatial and temporal variations as well as its potential applicability in a health monitoring system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google