EXAMENSARBETE - Energiforsk · EXAMENSARBETE Machine learning for condition monitoring in...
Transcript of EXAMENSARBETE - Energiforsk · EXAMENSARBETE Machine learning for condition monitoring in...
EXAMENSARBETE
Machine learning for condition monitoring in
hydropower plants using a neural network
LITE KORT OM MIG
▪ Hållbar energiteknik, civilingenjör, Luleå tekniska universitet
▪ Master i vind- och vattenkraft
▪ Examensarbetet för Skellefteå Kraft AB
BAKGRUND
▪ Vattenkraften står för nya utmaningar
▪ Ställer krav på underhåll
▪ Oljeläckage
▪ Jobbar mot tillståndbaserat underhåll
SYFTE
▪ Implementera en matematisk modell
▪ Feedforward neuralt nätverk
▪ Modellera den normala oljenivån i reglersystemet för en Kaplan turbin
▪ Vilka signaler behövs
NEURALA NÄTVERK
NEURALA NÄTVERK
Input Output
NEURALA NÄTVERK
Input
Hidden layer
Output
DATA
▪ Minut-upplösning
▪ Data för dec och jan
Grytfors Båtfors G1 & G2
Power [MW] Power [MW]
Headwater [m.a.s.l] Headwater [m.a.s.l]
Tailwater [m.a.s.l] Tailwater [m.a.s.l]
Accumulator level 1 [%] Oil temperature [C]
Accumulator level 2 [%] Guide vane position [%]
Oil temperature 1 [C] Oil level [mm]
Oil temperature 2 [C]
Oil pressure [bar]
Oil level [mm]
Guide vane position [%]
(from combination table)
Blade position [%]
(from combination table)
MODELL
▪ MATLAB – deep learning toolbox
▪ Feedforwardnet
▪ Prestanda
– Normaliserad mean square error, NMSE
▪ Optimering
GRID SEARCH - HYPERPARAMETRAR
▪ Optimalt spann
▪ Korsvalidering
▪ Parametrar:
– Neuroner
– Learning rate
– Training function
– Iterationer
– Transfer function
FEATURE SELECTION
▪ Grytfors – alla signalerGrid
search
Tränar modellen
Testar modellen
Resultat
Tar bort en parameter
FEATURE SELECTION
GRYTFORS
▪ 20 neuroner
▪ 1.47 l/mm – OljetankInput parametrar
Power [MW]
Head [m.a.s.l]
Accumulator level 1 [%]
Accumulator level 2 [%]
Pressure [bar]
Resultat
NMSE Training 0.0081
NMSE Test 0.1394
BÅTFORS
▪ Fyra tester
– Test 1 - G1 tränad på dec data
– Test 2 - G1 tränad på jan data
– Test 3 - G2
– Test 4 – Tränad på jan G1 data och testad
på jan G2 data
▪ 1.41 l/mm – Oljetank
Input parametrar G1 & G2
Power [MW]
Head [m.a.s.l]
Oil temperature [C]
Guide vane position [%]
TEST 1 OCH 2
TEST 1 – TRÄNAD MED DEC DATA
Resultat
NMSE Training 0.0081
NMSE Test 0.1394
Refill deleted
NMSE Training 0.0043
NMSE Test 0.1637
TEST 2 – TRÄNAD MED JAN DATA
Resultat
NMSE Training 0.0032
NMSE Test 0.1426
TEST 3 – G2
Resultat
NMSE Training 0.000968
NMSE Test 0.0122
TEST 4 – TRÄNAD PÅ G1, TESTAD PÅ G2
Resultat
NMSE Training 0.0032
NMSE Test 0.0734
TEST CASE
▪ Hypotetiskt läckage case
▪ Simulerar ett oljeläckage som ett
tryckfall
▪ Artificiellt tryckfall i 10 min
▪ Grytfors
▪ Tränad på dec data
▪ Testad på dec data med det artificiella
tryckfallet
TEST CASE
SLUTSATSER
▪ Relativt enkelt att implementera modell med neurala nätverk
▪ Potential att vara en generell modell för en kraftstation
▪ Kan modellera abnormt beteende
▪ Omfattande träningsdata är avgörande– Driftförhållanden
– Säsongsvariationer