Predictive Maintenance and Analytics in Hydroelectric Power Plants
Master thesis
Date
2023Metadata
Show full item recordCollections
- Institutt for elkraftteknikk [2415]
Abstract
I lys av det digitale grønne skiftet, energikrisen i Europa og fremveksten av et mer konkurransepreget energimarked, er det essensielt å utforske vedlikehold strategien prediktivt vedlikehold innen vannkraft sektoren. Denne masteroppgaven utforsker dette feltet med spesifikk vekt på anomali deteksjon ved bruk av kunstig intelligens og maskinlæring teknikker. En analyse utføres ved hjelp av data hentet fra en krafttransformator tilhørende Duge vannkraftverk som er lokalisert i Vest-Norge. Et testforsøk er konstruert basert på data fra sensorene som registrerer viklingstemperatur, hydrogen konsentrasjon og aktiv effekt. Dette testforsøket er basert på omfattende gjennomgang av litteratur tilhørende prediktivt vedlikehold strategi og anomali deteksjon i vannkraftsystemer.
Denne studien presenterer seks modeller basert på forskjellige algoritmer. Disse algoritmene er k-nearest neighbours, one-class support vector machines, isolation forest, local outlier factor, artificial neural networks og autoencoders. Først bli modellene trent og finjustert for et dedikert trenings- og valideringssett, før de videre blir testet på et separat testsett. Oppgaven tilbyr en detaljert illustrasjon av denne prosedyren i form av et flytskjema. Evalueringen av modellene blir gjort ved hjelp av presisjon, dekning og F1-score, i kombinasjon med en ROC-kurve (receiver operating characteristic). Selv om ingen av modellene presterte eksepsjonelt godt demonstrerte hver enkelt bedre klassifiserings evner enn tilfeldig gjetting. Området under kurven (AUC) varierte fra 0.56 til 0.76. Dekning verdiene for klasse 1, som er klassen tilhørende anomaliene, varierte fra 0.15 til 0.54. Dette uten å ødelegge for verdiene til klasse 0, klassen uten anomalier, som opprettholdt en F1-score på 0.99 til 1.
Selv om disse funnene bare er innledende og modellene ikke presterer bra nok for pålitelig bruk, kan de fungere som et effektivt grunnlag for fremtidig arbeid og testing som er foreslått i slutten av oppgaven. Prediktivt vedlikehold er allerede vellykket innlemmet i andre industrier, og denne avhandlingen håper å bidra og oppmuntre til videre arbeid for å oppnå det samme i vannkraft sektoren. In light of the digital green shift, the European energy crisis, and the emergence of a competitive energy market, the exploration of predictive maintenance in the hydropower sector becomes essential. This thesis explores the field of anomaly detection, with a specific emphasis on using artificial intelligence (AI) and machine learning (ML) techniques. An analysis is conducted using real-world data obtained from a power transformer located at Duge, a hydroelectric power plant in western Norway. A test case has been developed based on the key features of winding temperature, hydrogen concentration, and active power. This test case is founded on a comprehensive review of the literature encompassing anomaly detection and predictive maintenance in hydroelectric power systems.
This study presents six models that are based on different algorithms, namely k-nearest neighbors, one-class support vector machines, isolation forests, local outlier factors, artificial neural networks, and autoencoders. Before being tested on a separate test set, each model is trained and tuned with a dedicated training and validation set. The thesis offers a detailed illustration of this procedure in the form of a flowchart. Model evaluation is conducted based on precision, recall, and F1-score, coupled with the receiver operating characteristic curve (ROC). Although none of the models performed exceptionally well, each one showed better predictive abilities than random chance. The area under the curve (AUC) ranged from 0.56 to 0.76. The recall scores for class 1, which is considered anomalous, ranged from 0.15 to 0.54. At the same time, all models were able to maintain a consistent F1-score of 0.99 to 1 for class 0, which is the non-anomalous class.
Although these findings are purely preliminary and the models do not score well enough for reliable use, they provide an effective foundation for future research efforts, which are suggested in the thesis conclusion. The field of predictive maintenance has already been successfully incorporated into other industries, and this thesis hopes to encourage further work to achieve the same for hydroelectric power plants.