Основные понятия
Durch den Einsatz von Übertragungsmethoden des maschinellen Lernens kann die Anomalieerkennung in Windkraftanlagen auch bei begrenzten Trainingsdaten effektiv umgesetzt werden.
Аннотация
Die Studie untersucht den Einsatz von Übertragungsmethoden des maschinellen Lernens (Transfer Learning) für die Anomalieerkennung in Windkraftanlagen. Dabei werden zwei Ansätze betrachtet:
Asset-to-Asset Transfer Learning: Ein Modell wird auf Daten einer Windkraftanlage trainiert und dann auf eine andere Anlage innerhalb desselben Windparks übertragen. Es zeigt sich, dass die übertragenen Modelle mit nur 1-3 Monaten Feinabstimmungsdaten ähnlich oder sogar besser abschneiden als Basismodelle, die auf einem ganzen Jahr Daten trainiert wurden. Die Standorte der Quell- und Zielanlage haben dabei keinen signifikanten Einfluss.
Multi-Asset Transfer Learning: Ein Modell wird auf Daten mehrerer Windkraftanlagen trainiert und dann auf eine Zielanlage übertragen. Diese Modelle zeigen eine etwas geringere Leistung als die Asset-to-Asset-Modelle, da möglicherweise eine Überanpassung an die Trainingsdaten auftritt.
Drei Fallstudien zeigen, dass die übertragenen Modelle in der Lage sind, Anomalien frühzeitig zu erkennen, selbst wenn sie nur mit 1-2 Monaten Feinabstimmungsdaten trainiert wurden. Dies verdeutlicht das Potenzial von Übertragungsmethoden, um den Aufwand für effektive Anomalieerkennung in Windkraftanlagen zu reduzieren.
Статистика
Die Anomalieerkennung basiert auf Sensordaten aus der Betriebsüberwachung (SCADA-Daten) von Windkraftanlagen.
Цитаты
"Durch den Einsatz von Übertragungsmethoden des maschinellen Lernens kann die Anomalieerkennung in Windkraftanlagen auch bei begrenzten Trainingsdaten effektiv umgesetzt werden."
"Die übertragenen Modelle sind in der Lage, Anomalien frühzeitig zu erkennen, selbst wenn sie nur mit 1-2 Monaten Feinabstimmungsdaten trainiert wurden."