Πρόβλεψη Σφαλμάτων σε Ανεμογεννήτριες με την βοήθεια Αλγορίθμου Μηχανικής Μάθησης

Abstract

Οι ανεμογεννήτριες (Α/Γ) αποτελούν μια από τις σημαντικότερες τεχνολογίες ανανεώσιμων πηγών ενέργειας, συμβάλλοντας σημαντικά στη μείωση των εκπομπών διοξειδίου του άνθρακα (CO₂) και στην ενεργειακή μετάβαση προς πιο βιώσιμες λύσεις. Η συνεχής ανάπτυξη νέων αιολικών πάρκων και η αυξανόμενη διείσδυση της αιολικής ενέργειας στο ενεργειακό μείγμα καθιστούν αναγκαία την όσο το δυνατόν αποδοτικότερη και πιο αξιόπιστη λειτουργία των ανεμογεννητριών. Ωστόσο, η πολυπλοκότητα των μηχανικών και ηλεκτρονικών τους συστημάτων και οι συνθήκες στις οποίες απαιτείται να λειτουργούν, τις καθιστούν επιρρεπείς σε σφάλματα και βλάβες, γεγονός που απαιτεί την ανάπτυξη στρατηγικών παρακολούθησης και συντήρησης για την διασφάλιση υψηλής αποδοτικότητας και αξιοπιστίας. Μια από τις πιο προηγμένες προσεγγίσεις στη διαχείριση της συντήρησης των ανεμογεννητριών είναι η προγνωστική συντήρηση (PredicƟve Maintenance - PdM), η οποία βασίζεται στην ανάλυση και επεξεργασία δεδομένων πραγματικού χρόνου για την έγκαιρη ανίχνευση σφαλμάτων και την πρόβλεψη πιθανών βλαβών. Τα συστήματα SCADA (Supervisory Control and Data AcquisiƟon) διαδραματίζουν καθοριστικό ρόλο σε αυτή τη διαδικασία, καθώς επιτρέπουν τη συνεχή συλλογή κρίσιμων λειτουργικών δεδομένων, όπως θερμοκρασίες, ταχύτητες περιστροφής και παραγόμενη ισχύς. Αυτή η συνεχής ροή δεδομένων επιτρέπει τη δημιουργία προγνωστικών μοντέλων συντήρησης, τα οποία μπορούν να συμβάλουν στη βελτίωση της διαθεσιμότητας των ανεμογεννητριών, τη μείωση του κόστους συντήρησης και την ενίσχυση της συνολικής αξιοπιστίας του αιολικού πάρκου. Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη και αξιολόγηση μιας μεθοδολογίας για την πρόβλεψη σφαλμάτων σε ανεμογεννήτριες, αξιοποιώντας δεδομένα SCADA και αλγορίθμους μηχανικής μάθησης. Ιδιαίτερη έμφαση δίνεται στην εφαρμογή του XGBoost για την εκτίμηση κρίσιμων λειτουργικών παραμέτρων και στη χρήση διαγραμμάτων ελέγχου διεργασιών (SPC) για την ανίχνευση αποκλίσεων που ενδέχεται να υποδηλώνουν δυσλειτουργίες. Η συνδυαστική αυτή προσέγγιση αναμένεται να ενισχύσει την ακρίβεια των προβλέψεων και να συμβάλει στη βελτιστοποίηση της συντήρησης, βελτιώνοντας τη λειτουργική απόδοση και τη βιωσιμότητα της αιολικής ενέργειας.