Identificação de Falhas em Turbinas Eólicas Utilizando Abordagens de Aprendizado de Máquina
Resumo
Os últimos anos têm sido marcados pela inserção de tecnologias renováveis na matriz energética mundial, como a energia eólica e solar, que são energias limpas e de baixo impacto ambiental. As turbinas eólicas, responsáveis pelo processo de conversão energética, se constituem por equipamentos complexos de alto custo e suscetíveis a inúmeras falhas. O monitoramento dos componentes das turbinas pode auxiliar na detecção de falhas antes que elas ocorram, reduzindo os custos de manutenção do equipamento. Este trabalho compara duas técnicas para determinação de hiperparâmetros de modelos centrados em dados na detecção de falhas em turbinas eólicas. Resultados mostram a importância da seleção e otimização de dados para o problema.
Palavras-chave:
detecção de falhas, turbina eólica, PCA, SVM, regressão logística, árvore de decisão, KNN
Referências
ABEEólica (2022). Abeeólica - Associação Brasileira de Energia Eólica. https://abeeolica.org.br/, last accessed on 01/05/22.
Blanco, M. A. et al. (2017). Impact of target variable distribution type over the regression analysis in wind turbine data. IWOBI 2017 - Proceedings.
EDP (2021). EDP - Open Data. https://opendata.edp.com/pages/homepage/, last accessed on 15/08/21.
Garan, M. et al. (2022). A data-centric machine learning methodology: Application on predictive maintenance of wind turbines. Energies, 15:826.
Japa, L. et al. (2023). A population-based hybrid approach for hyperparameter optimization of neural networks. IEEE Access, 11:50752–50768.
Mendes, M. et al. (2020). Wind farm and resource datasets: A comprehensive survey and overview. Energies, 13.
Pandit, R. et al. (2023). Scada data for wind turbine data-driven condition/performance monitoring: A review on state-of-art, challenges and future trends. Wind Engineering, 47(2):422–441.
Qin, S. et al. (2017). Ensemble learning-based wind turbine fault prediction method with adaptive feature selection. Comm. in Computer and Information Science, 728.
Soper, D. S. (2023). Hyperparameter optimization using successive halving with greedy cross validation. Algorithms, 16(1).
Stetco, A. et al. (2019). Machine learning methods for wind turbine condition monitoring: A review. Renewable energy, 133:620–635.
Blanco, M. A. et al. (2017). Impact of target variable distribution type over the regression analysis in wind turbine data. IWOBI 2017 - Proceedings.
EDP (2021). EDP - Open Data. https://opendata.edp.com/pages/homepage/, last accessed on 15/08/21.
Garan, M. et al. (2022). A data-centric machine learning methodology: Application on predictive maintenance of wind turbines. Energies, 15:826.
Japa, L. et al. (2023). A population-based hybrid approach for hyperparameter optimization of neural networks. IEEE Access, 11:50752–50768.
Mendes, M. et al. (2020). Wind farm and resource datasets: A comprehensive survey and overview. Energies, 13.
Pandit, R. et al. (2023). Scada data for wind turbine data-driven condition/performance monitoring: A review on state-of-art, challenges and future trends. Wind Engineering, 47(2):422–441.
Qin, S. et al. (2017). Ensemble learning-based wind turbine fault prediction method with adaptive feature selection. Comm. in Computer and Information Science, 728.
Soper, D. S. (2023). Hyperparameter optimization using successive halving with greedy cross validation. Algorithms, 16(1).
Stetco, A. et al. (2019). Machine learning methods for wind turbine condition monitoring: A review. Renewable energy, 133:620–635.
Publicado
25/09/2023
Como Citar
PINNA, Danielle R.; TOSO, Rodrigo F.; BELLOZE, Kele; DE SÁ, Fernando; GUERRA, Raphael; BRANDÃO, Diego N..
Identificação de Falhas em Turbinas Eólicas Utilizando Abordagens de Aprendizado de Máquina. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 38. , 2023, Belo Horizonte/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 439-444.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2023.232700.
