Energiecentrale met zonnepanelen
Afgesloten

BitWind | Collectieve artificiële intelligentie voor foutopsporing en onderhoudsoptimalisatie voor offshore windparken (BitWind)

Regio:
Federaal
Gefinancierd door
Het doel van dit project was de ontwikkeling van nieuwe AI-technieken voor data van operationele  offshore windparken. De tijdens het project ontwikkelde gebruikssituatiewas gericht op de automatische  detectie van degradaties en de prognose van de verwachte levensduur van componenten.

Context

Windenergie is een van de snelst groeiende bronnen van hernieuwbare energie, en verwacht wordt dat in de komende decennia de investeringen in windenergie aanzienlijk zullen toenemen. Gigantische windturbines zijn een absolute noodzaak om de klimaatverandering aan te pakken, een onderwerp dat hoog op de agenda van alle EU-landen staat.

Om concurrerend te blijven met andere bronnen voor het opwekken van elektriciteit, moeten de kosten die gepaard gaan met offshore windenergie aanzienlijk verlaagd worden. Dit omvat niet alleen de initiële investeringskosten voor de planning, financiering, productie en installatie van offshore windparken, maar ook de exploitatie- en onderhoudskosten (operationele kosten maken 25% uit van de kosten van elektriciteit uit offshore wind).

BitWind richtte zich op de ontwikkeling van nieuwe AI-technieken voor de automatische detectie van degradaties en de prognose van de verwachte levensduur van componenten. Deze innovaties moeten leiden tot nieuwe diensten en een strategische kostenverlaging voor de bestaande en nieuwe concessies in België. 

Doelstelling en resultaten 

Het doel van dit project was om degradaties op te sporen op basis van de gedetailleerde karakterisering van het dynamische gedrag van het park en de turbines waaruit het bestaat. Hierdoor kan men normale degradaties vaststellen en abnormale degradaties, stappen, pieken en ruisniveaus identificeren.

Aanpak

Om bovengenoemde doelstellingen te bereiken hebben de partners het volgende gedaan:

  • Toepassen van geavanceerde methoden van multivariate tijdreeksanalyses (bv. Gaussische processen) die het mogelijk maken rekening te houden met zowel seizoensgebonden (dagelijks, jaarlijks) trends als met de operationele context (bv. omgevingsfactoren) waarin de turbines werken. Gegevens van ‘gezonde’ turbines worden gebruikt als aanvullende informatie voor benchmarking en training van de dynamische modellen. 
  • Opsporen van onderprestatie door de prestaties van een bepaalde turbine op verschillende punten te vergelijken, namelijk 1) met de prestaties van de turbines in dezelfde groep, 2) met de turbines in hetzelfde park, 3) met turbines in vergelijkbare bedrijfsomstandigheden (in verschillende windparken), en 4) met turbines van een vergelijkbaar type (bv. dezelfde fabrikant, vergelijkbaar tijdstip van plaatsing, vergelijkbaar onderhoudsschema, enz.)

Financiering

  • Financierende instanties: FOD Economie, kmo, Middenstand en Energie
  • Modaliteit: Energietransitiefond (FOD Economie), kmo, Middenstand en Energie

Partners

In samenwerking met

Meer informatie over onze expertise

Timing

okt 2018 - dec 2021

Onze experten

Heb je een vraag?

Stuur ze naar innovation@sirris.be

Projectresultaten

Papers en posters

A. Murgia, C. Droutsas, E. Tsiporkova, Context-aware clustering of turbines based on their energy profiles. Wind Europe, poster. 5-7 April 2022 Bilbao. (poster)

A. Murgia, H. Cabral, C. Droutsas, T. Tourwé, M. Verbeke, P. Dagnely, E. Tsiporkova, A data-driven methodology for the characterization of performance decay in ageing wind turbines, Renewable Energy Sources - Research and Business (RESRB) 2020, Brussels, Belgium, 2020 (abstract)

M. Dhont, R. Verbeke, C. Droutsas, V. Boeva, M. Verbeke, A. Murgia, E. Tsiporkova, Advanced exploration of wind fleet data through operating mode labelling, Renewable Energy Sources - Research and Business (RESRB) 2020, Brussels, Belgium, 2020 (abstract)

A. Murgia, E. Tsiporkova, M. Verbeke, & T. Tourwé. Context-Aware Performance Benchmarking of a Portfolio of Industrial Assets. In Archives of Data Science, Series A. Volume 5, Issue 1. DOI: 10.5445/KSP/1000087327/17

M. Dhont, E. Tsiporkova & V. Boeva. (2020) Layered Integration Approach for Multi-view Analysis of Temporal Data. In: Lemaire V., Malinowski S., Bagnall A., Guyet T., Tavenard R., Ifrim G. (eds) Advanced Analytics and Learning on Temporal Data. AALTD 2020. Lecture Notes in Computer Science, vol 12588. Springer, Cham.