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