Investigation of recurrent neural networks-based methods for early fault detection and short-term power forecasting in wind energy applications

Abstract

The increasing role of wind energy in modern power systems creates a growing need for reliable turbine operation, accurate short-term power forecasting, and computationally efficient data-driven methods. This dissertation addresses two related problems: early fault detection in wind turbines using supervisory control and data acquisition (SCADA) time-series data, and short-term wind farm power forecasting using meteorological forecasts. The dissertation aims to develop and investigate data-driven methods that improve the accuracy, efficiency, and practical applicability of short-term wind power forecasting and early wind turbine fault detection using SCADA and meteorological forecast data. The first part of the dissertation develops and investigates a virtual-sensor-based method for condition monitoring and early fault detection in wind turbines using SCADA time-series data, including the selection of the most informative features and the evaluation of factors affecting prediction accuracy. The second part of the dissertation analyzes and optimizes recurrent neural-network structures for the virtual sensor by evaluating feature-sequence formation, training schemes, and alternative activation functions to increase accuracy and reduce the computational cost relevant for practical deployment. The third part of the dissertation develops and investigates a bidirectional long short-term memory (BiLSTM) based method for short-term wind farm power forecasting using meteorological forecast data, and evaluates the impact of different numerical weather prediction (NWP) sources and the suitability of an objective function with a normalized Nord Pool price multiplier for day-ahead energy production forecasts. The dissertation contributes to the fields of wind energy and artificial intelligence by proposing and validating data-driven methods for virtual sensing, residual-based early fault detection, recurrent-model optimization, computationally efficient activation-function selection, and economically meaningful short-term wind power forecasting. The research results have been published in three peer-reviewed scientific journals and one conference proceeding, and were presented at seven conferences and seminars.

Didėjantis vėjo energijos vaidmuo šiuolaikinėse elektros energetikos sistemose lemia augantį patikimo vėjo jėgainių veikimo, tikslaus trumpalaikio galios prognozavimo ir skaičiavimo požiūriu efektyvių duomenimis grįstų metodų poreikį. Šioje disertacijoje sprendžiamos dvi tarpusavyje susijusios problemos: ankstyvas gedimų aptikimas vėjo jėgainėse, naudojant valdymo, priežiūros ir duomenų surinkimo (SCADA) laike kintančių rodmenų duomenis, ir trumpalaikis vėjo jėgainių parko generuojamos galios prognozavimas, naudojant meteorologines prognozes. Tyrimo tikslas – sukurti ir ištirti duomenimis grįstus metodus, kurie pagerintų būsenos stebėsenos ir prognozavimo tikslumą, efektyvumą bei praktinį pritaikomumą vėjo energetikos sistemose. Pirmojoje disertacijos dalyje kuriamas virtualiu jutikliu grįstas metodas, skirtas būsenai stebėti ir ankstyviems gedimams aptikti, kai neįprastas veikimas nustatomas pagal skirtumo tarp išmatuotų ir prognozuotų jutiklio reikšmių nuokrypį. Tyrime nagrinėjama, kaip įvesties duomenų pateikimas, mokymo parametrų parinkimas, rekurentinio modelio struktūra ir aktyvavimo funkcijos veikia virtualaus jutiklio tikslumą ir praktinį pritaikomumą. Antrojoje disertacijos dalyje analizuojamos ir optimizuojamos virtualiajam jutikliui taikomos rekurentinių neuroninių tinklų struktūros, vertinant įvesčių sekų sudarymą, mokymo parametrų parinkimą ir alternatyvias aktyvavimo funkcijas, siekiant padidinti tikslumą ir sumažinti praktiniam taikymui svarbias skaičiavimo sąnaudas. Trečiojoje disertacijos dalyje nagrinėjamas dvikrypčiu ilgos trumpalaikės atminties modeliu (BiLSTM) pagrįstas trumpalaikio vėjo jėgainių parko galios prognozavimo metodas, naudojantis skaitinių orų prognozių (NWP) duomenis. Tyrime analizuojama skirtingų meteorologinių prognozių šaltinių įtaka ir vertinamas tikslo funkcijos, papildytos normalizuotu „Nord Pool“ kainos daugikliu, tinkamumas paros į priekį energijos gamybos prognozėms. Disertacija prisideda prie vėjo energetikos ir dirbtinio intelekto sričių, pasiūlydama ir validuodama duomenimis grįstus metodus virtualiam jutikliui sukurti, prognozuojamos ir matuojamos reikšmės skirtumu grįstiems ankstyviems gedimams aptikti, rekurentiniams modeliams optimizuoti, skaičiavimo požiūriu efektyvioms aktyvavimo funkcijoms parinkti ir trumpalaikei vėjo generuojamai galiai prognozuoti, vertinant ne tik pagal statistinę paklaidą, bet ir pagal rinkos rezultatą. Tyrimo rezultatai paskelbti trijuose recenzuojamuose mokslo žurnaluose ir viename konferencijos straipsnių rinkinyje, taip pat pristatyti septyniose konferencijose ir seminaruose.