人工神经网络在风力发电机主轴承状态监测中的应用- Niels Jessen, RWE Renewables
在风力涡轮机中，主轴承等重要部件的故障会导致长时间的停机，从而导致相应的能量损失。在海上风能中，由于天气条件不利，维护工作并不总是可能的，必须提前计划，因此问题更加严重。为了节省运营支出，风电场运营商被要求实施维护策略，使他们能够尽早预测部件的故障。
RWE Renewables GmbH开发了一种基于ANN的工具，可以根据选择的SCADA信号预测未损坏的主轴承的温度。当实际轴承温度偏离预测温度时，检测异常。该工具可以在故障发生前9个月成功检测到问题。
使用系统模拟和机器学习的电网故障定位检测- Patrice Brunelle, Hydro Quebec;Graham Dudgeon, MathWorks
MathWorks和Hydro-Québec探索了如何使用系统模拟和机器学习来开发算法，这些算法可以使用电压凹陷测量来检测电网故障的位置。系统模拟用于生成综合故障数据，这些数据涵盖了比单独测量数据更广泛的运行范围。然后，合成的数据用于训练机器学习分类算法。您将了解如何使用分类算法的性能来进一步深入了解系统的物理行为以及与训练数据相关的任何限制。您还将了解如何从这种见解中提出建议，以增强系统测量和训练数据集，以提高整体分类的准确性。
地下电力电缆局部放电应用中的信号波形分类- Steffen Ziegler, IMCORP
地下配电电缆系统故障可预判!预测性维护首先要了解电缆系统故障是如何发生的。分析和解释现场局部放电(PD)测量结果对人类来说是一项复杂的任务。机器学习算法和深度学习算法用于自动识别和分类PD测量中包含的缺陷标记。这些算法用于根据很快发生故障的风险对不同的缺陷类型进行分类。区分具有“高、低风险缺陷”和“无缺陷”的电缆可以实现预测性维护。将给出已识别缺陷的例子。
关于主讲人
Niels Jessen，风力涡轮机性能分析师，RWE Renewables，德国
Niels Jessen在汉堡应用科学大学(HAW Hamburg)学习机械工程，专注于可持续能源。他的硕士论文是关于人工神经网络在海上风力涡轮机状态监测中的应用。自2019年起，他在RWE可再生能源公司担任风力涡轮机性能分析师。
Patrice Brunelle，科学家，加拿大魁北克水电公司
帕特里斯·布鲁内尔(Patrice Brunelle)是魁北克水利研究中心的科学家。在过去的20年里，他的工作主要围绕电力系统和电力电子，并参与了Simscape电气专用电力系统(正式的电力系统区块集，后来是SimPowerSystems)的开发。Patrice在加拿大魁北克省Chicoutimi的Universite du Quebec a Chicoutimi获得了Genie Unifié的学士学位，并于1994年在加拿大st - foy的Universite Laval获得了电气工程硕士学位。
Graham Dudgeon，美国MathWorks公司首席产品经理
Graham Dudgeon是MathWorks电气技术的首席产品经理。在过去的二十年里，格雷厄姆支持了电气化领域的几个行业，包括航空航天、Déf万博1manbetxense、汽车、工业自动化、医疗设备和电力与公用事业。Graham的技术经验涵盖输配电、电网集成、可再生能源、电力转换、电机与驱动器、微电网、电动飞机、电动船舶和电动汽车，重点研究系统建模与仿真、控制设计、实时仿真、机器学习和数据分析。
Steffen Ziegler，美国IMCORP公司信号分析与人工智能总监
Steffen Ziegler在德国卡尔斯鲁厄理工学院(Karlsruhe Institute of Technology)获得电气工程硕士学位。1999年以来，Ziegler先生在IMCORP工作，目前是信号分析和人工智能总监。他专注于数字信号处理应用领域，以及地下电力系统电缆的机器学习和深度学习应用领域。他是IEEE电力与能源协会的成员，并在绝缘导体委员会(ICC)会议上担任工作组成员。他也是德国VDE的成员。自2015年以来，Ziegler先生是康涅狄格州纽黑文大学ECECS部门的工业咨询委员会成员。
