Wind turbine condition monitoring based on intra- and inter-farm federated learning

要約

風力エネルギーの導入が進むにつれ、エネルギー生産を最大化し、コストとダウンタイムを最小限に抑えるには、風力タービンの効率的な運用とメンテナンスを確保することが不可欠になっています。
状態監視や電力予測など、風力エネルギーにおける AI アプリケーションの多くは、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所からの運用データを使用することで恩恵を受ける可能性があります。
データのプライバシーを保護する協調型分散型 AI は、これらのアプリケーションにとって大きな可能性を秘めています。
この文脈において、プライバシーを保護する分散型機械学習アプローチとしてフェデレーテッド ラーニングが登場しました。
風力タービンの状態監視におけるフェデレーテッド ラーニング、特に通常の動作モデルを使用した障害検出について調査します。
私たちは、異なる風力発電所やタービン モデルにわたるコラボレーションや、同じ風力発電所やタービン モデルに限定されたコラボレーションなど、さまざまなフェデレーテッド ラーニング戦略を調査しています。
私たちのケーススタディの結果は、特にトレーニング データが不足している場合に、複数の風力タービンにわたる連合学習が、単一の風力タービンでトレーニングされたモデルよりも一貫して優れていることを示しています。
さらに、効果的なモデルをトレーニングするために必要な履歴データの量は、協調的なフェデレーテッド ラーニング戦略を採用することで大幅に削減できます。
最後に、私たちの調査結果は、特に統計的な異質性や不均衡なデータセットに直面した場合、連携を複数の風力発電所に拡張すると、発電所内での学習を制限する場合と比べてパフォーマンスが低下する可能性があることを示しています。

要約(オリジナル)

As wind energy adoption is growing, ensuring the efficient operation and maintenance of wind turbines becomes essential for maximizing energy production and minimizing costs and downtime. Many AI applications in wind energy, such as in condition monitoring and power forecasting, may benefit from using operational data not only from individual wind turbines but from multiple turbines and multiple wind farms. Collaborative distributed AI which preserves data privacy holds a strong potential for these applications. Federated learning has emerged as a privacy-preserving distributed machine learning approach in this context. We explore federated learning in wind turbine condition monitoring, specifically for fault detection using normal behaviour models. We investigate various federated learning strategies, including collaboration across different wind farms and turbine models, as well as collaboration restricted to the same wind farm and turbine model. Our case study results indicate that federated learning across multiple wind turbines consistently outperforms models trained on a single turbine, especially when training data is scarce. Moreover, the amount of historical data necessary to train an effective model can be significantly reduced by employing a collaborative federated learning strategy. Finally, our findings show that extending the collaboration to multiple wind farms may result in inferior performance compared to restricting learning within a farm, specifically when faced with statistical heterogeneity and imbalanced datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google