Интеллектуальное техническое обслуживание и оптимизация прогнозных моделей для повышения эффективности выработки ветровой энергии

Intelligent Operation and Maintenance and Prediction Model Optimization for Improving Wind Power Generation Efficiency

June 19, 2025

Авторы: Xun Liu, Xiaobin Wu, Jiaqi He, Rajan Das Gupta

cs.AI

Аннотация

Данное исследование изучает эффективность моделей прогнозирующего технического обслуживания и оптимизацию интеллектуальных систем эксплуатации и технического обслуживания (O&M) для повышения эффективности выработки ветровой энергии. С помощью качественного исследования были проведены структурированные интервью с пятью инженерами ветряных электростанций и менеджерами по техническому обслуживанию, каждый из которых обладает обширным опытом в эксплуатации турбин. Используя тематический анализ, исследование выявило, что, хотя модели прогнозирующего технического обслуживания эффективно сокращают простои, выявляя крупные неисправности, они часто сталкиваются с трудностями в обнаружении мелких, постепенных отказов. Ключевые вызовы включают ложные срабатывания, неисправности датчиков и сложности интеграции новых моделей с устаревшими системами турбин. Передовые технологии, такие как цифровые двойники, SCADA-системы и мониторинг состояния, значительно улучшили практики технического обслуживания турбин. Однако эти технологии все еще требуют доработок, особенно в области совершенствования ИИ и интеграции данных в реальном времени. Результаты подчеркивают необходимость непрерывного развития для полной оптимизации производительности ветряных турбин и поддержки более широкого внедрения возобновляемой энергии.

English

This study explores the effectiveness of predictive maintenance models and the optimization of intelligent Operation and Maintenance (O&M) systems in improving wind power generation efficiency. Through qualitative research, structured interviews were conducted with five wind farm engineers and maintenance managers, each with extensive experience in turbine operations. Using thematic analysis, the study revealed that while predictive maintenance models effectively reduce downtime by identifying major faults, they often struggle with detecting smaller, gradual failures. Key challenges identified include false positives, sensor malfunctions, and difficulties in integrating new models with older turbine systems. Advanced technologies such as digital twins, SCADA systems, and condition monitoring have significantly enhanced turbine maintenance practices. However, these technologies still require improvements, particularly in AI refinement and real-time data integration. The findings emphasize the need for continuous development to fully optimize wind turbine performance and support the broader adoption of renewable energy.