会话2.1应用人工神经网络的风力发电机状态监测的主要轴承——尼尔斯洁森RWE可再生能源
风力涡轮机,一个失败的一个重要组成部分,如主轴承,可能导致长期的宕机,从而相应的能量损失。在海上风力能源,问题更为严重的是维护工作不可能是由于恶劣天气条件,必须提前计划。为了节省运营支出,风电场运营商需要实现一个维护策略,使他们尽早预测组件的失败。
莱茵集团可再生能源GmbH是一家开发了一个基于ANN的工具,预测的主要轴承的温度基于SCADA的选择信号。检测到异常时实际的轴承温度偏离预测的温度。所示的工具是成功在前九个月检测问题失败。
会话2.2电网故障定位检测使用系统仿真和机器学习,帕特里斯·布鲁魁北克水电;格雷厄姆•愤怒MathWorks
MathWorks和魁北克电力局探索如何使用机器学习系统仿真和开发的算法可以检测故障在电网使用电压凹陷的位置测量。系统仿真是用于生成合成错误数据覆盖更广泛的操作信封比单独测量数据。合成数据用于训练机器学习分类算法。您将了解如何分类算法的性能可用于进一步洞察物理系统的行为和任何限制与训练数据有关。您还将看到如何建议可以由这种洞察力提高系统测量和训练数据集的总体分类精度提高。
会话2.3信号波形在地下电力电缆局部放电的应用分类——史蒂芬·齐格勒IMCORP
地下电缆分配系统故障可以预测!预见性维护始于了解电缆系统故障发生。分析和解释结果的局部放电(PD)测量领域对人类可能是一个复杂的任务。机器学习算法和深度学习算法用于自动识别和分类的标记包含在PD缺陷测量。这些算法用于按不同缺陷类型的风险进行分类会很快失败。区分电缆与“高到低风险缺陷”和那些“无缺陷”使预测性维护。的例子将识别缺陷。
的主持人
尼尔斯洁森风力发电机性能分析师,德国莱茵集团可再生能源
尼尔斯·安杰森研究机械工程与关注可持续能源在汉堡大学应用科学(山楂汉堡)。他写了他的硕士论文的应用人工神经网络用于状态监测的近海风力涡轮机。他自2019年以来,风力涡轮机的工作性能分析师RWE可再生能源。
帕特里斯·布鲁科学家,加拿大魁北克水电
帕特里斯·布鲁内尔是一个科学家,魁北克电力局的研究中心。在过去20年里他的工作围绕电力系统和电力电子,他参与了Simscape电气专业的发展电力系统(电力系统正式blockset,后来SimPowerSystems)。帕特里斯拥有精灵Unifie B.Sc.学位从魁北克大学Chicoutimi, Chicoutimi,魁北克,加拿大和理科硕士学位拉瓦尔大学电气工程从1994年,Ste-Foy,加拿大。
格雷厄姆愤怒,主要产品经理,MathWorks公司,美国
格雷厄姆愤怒是MathWorks电气技术的主要产品经理。在过去二十年格雷厄姆支持几个行业在电气化领域,包括航空航天、国防、汽车、工金宝app业自动化、医疗设备和电力公用事业。格雷厄姆的技术经验覆盖,输电和配电电网集成、可再生能源、电力转换,马达和驱动器,微型电网,电动飞机、电动船和电动汽车,重点是系统建模与仿真、控制设计、实时仿真、机器学习和数据分析。
主任史蒂芬齐格勒-信号分析和人工智能,IMCORP,美国
史蒂芬齐格勒完成了他的硕士学位从卡尔斯鲁厄理工学院的电气工程,德国。自1999年以来齐格勒先生为IMCORP工作,目前主任信号分析和人工智能。他有专门的数字信号处理领域的应用和机器学习和深度学习申请地下电力系统电缆。他是一名IEEE电力和能源协会和贡献作为工作组成员在绝缘导体委员会(ICC)会议。他还在德国VDE的一员。自2015年以来,齐格勒先生是工业咨询委员会的成员ECECS部门在康涅狄格州纽黑文大学的。
