I generatori di turbine eoliche (WTG) sono una delle fonti di energia rinnovabile più ampiamente utilizzate attualmente disponibili. Per prevedere accuratamente la loro produzione e rilevare rapidamente eventuali anomalie, è importante analizzare i dati prodotti da queste turbine per comprendere il loro comportamento e i loro pattern.
Lo scopo di questa tesi è quello di creare un digital twin basato sui dati di un generatore di turbine eoliche in grado di simulare il suo comportamento ideale. Per svolgere questo compito, il modello riceve dati di input sulle variabili ambientali, tra cui la velocità del vento e la temperatura ambiente, e produce valori di output dei parametri che una turbina dovrebbe avere in condizioni ideali, tra cui la potenza prodotta, la velocità del rotore e altro ancora. Il digital twin funge da modello di riferimento che può essere utilizzato come metrica di confronto per le vere turbine al fine di valutarne le prestazioni in tempo reale e verificare che la turbina stia funzionando correttamente confrontando i parametri dei componenti interni.
Il lavoro è stato svolto in collaborazione con l'azienda torinese Sirius s.r.l. e utilizza i dati forniti dall'azienda stessa e raccolti presso alcuni parchi eolici nel sud Italia. I dati sono acquisiti tramite sistemi di Supervisory Control And Data Acquisition (SCADA) installati sulle turbine con l'obiettivo di monitorare e raccogliere dati sia sull'ambiente che sui componenti interni della turbina.
Il lavoro è strutturato in diverse parti: la parte iniziale è caratterizzata dall'estrazione dei dati e dalla creazione del dataset. I dati sono nella forma di una media di dieci minuti e sono prelevati da turbine dello stesso modello appartenenti allo stesso parco eolico. Successivamente, è stato svolto un lavoro significativo sulla filtrazione dei dati con l'obiettivo di mantenere solo i dati relativi ai momenti in cui il comportamento della turbina può essere definito come ideale. In questo modo, gli algoritmi possono essere addestrati solo con dati ideali e possono apprendere adeguatamente le tendenze senza essere ingannati da altri dati non ideali. Per ottenere questo risultato, sono stati utilizzati filtri multipli considerando sia le variabili ambientali che quelle della turbina, utilizzando anche algoritmi come il Density-Based Spatial Clustering of Applications with Noise (DBSCAN) per la rimozione degli outlier. Infine, sono stati creati diversi modelli con i dati filtrati utilizzando diversi algoritmi sia di machine learning che di deep learning, provando molte combinazioni di input e output. In particolare, sono stati testati il Feedforward Neural Network (FNN), il Support Vector Regression (SVR) e il Gated Recurrent Unit (GRU).
I test possono essere suddivisi in due parti: nella prima parte gli algoritmi vengono addestrati su più turbine e testati su altre turbine mai viste in precedenza dall'algoritmo. La seconda parte riguarda invece alcune variabili che rappresentano la temperatura dei componenti interni della turbina, il cui comportamento è altamente variabile da turbina a turbina, anche se appartengono allo stesso modello. In questi casi, sono stati necessari ulteriori studi che hanno portato a soluzioni alternative. In entrambi i casi sono stati ottenuti risultati soddisfacenti.

Nell'ultimo decennio, l'energia eolica è diventata sempre più importante nel settore energetico globale. Tuttavia, le operazioni e la manutenzione (O&M) rappresentano almeno un terzo del costo totale di generazione di energia. La manutenzione basata sullo stato (CBM) fornisce una soluzione a questo problema: anziché pianificare la manutenzione, monitora i componenti delle turbine e esegue la manutenzione solo quando vengono forniti avvisi di possibili malfunzionamenti.
Tutte le strategie relative alla rilevazione e diagnosi dei guasti dei generatori di turbine eoliche (WTG) possono essere suddivise in approcci model-based e approcci data-driven. Le tecniche model-based si basano principalmente su un modello matematico preciso del WTG e dei suoi sottosistemi. Al contrario, i sistemi data-drivem non richiedono modelli fisici o matematici esatti, ma deducono il sistema di rilevazione dei difetti dai dati osservati dai sensori. Queste ultime tecniche si sono dimostrate particolarmente efficaci negli ultimi anni nella modellazione delle complesse interazioni associate alle turbine eoliche. Tuttavia, la presenza di varie non linearità nei problemi esaminati e il rumore di misurazione richiedono l'adozione di algoritmi complessi e robusti.
Questa tesi propone un framework per la manutenzione data-driven condition-based: l'obiettivo di questo lavoro è sviluppare algoritmi di rilevamento delle anomalie e dei guasti, che possono essere successivamente utilizzati per fornire la manutenzione condition-based. A tal fine, viene fornito un metodo di apprendimento non supervisionato, che coinvolge diversi modelli di reti neurali autoencoder (AE) di tipo feedforward (FNN) o ricorrente (RNN).
Il dataset di questo lavoro è stato fornito da Sirius s.r.l., partner di importanti aziende nel settore delle energie rinnovabili. I dati SCADA, appartenenti a vari parchi eolici situati nel sud Italia, vengono raccolti ogni 10 minuti dalle misurazioni dei sensori meccanici e termici. Il problema considerato include anche diversi design di turbine, con caratteristiche geometriche e meccaniche diverse.
Nel processo, i dati provenienti dai sistemi SCADA vengono acquisiti e raggruppati in base alle prestazioni delle turbine eoliche, facendo affidamento su indicatori chiave delle prestazioni, stati delle turbine e allarmi. Le sequenze temporali con le migliori prestazioni vengono selezionate come input per la successiva fase di addestramento. In modo non supervisionato, diversi modelli AE vengono addestrati in un compito di ricostruzione di serie temporali multivariate. Durante questa fase, i modelli imparano una rappresentazione latente robusta delle caratteristiche chiave della serie temporale. Quando utilizzato su dati non visti in precedenza, l'algoritmo ricostruisce le sequenze di input fornite e l'errore di ricostruzione viene analizzato per la rilevazione delle anomalie.
In questo studio, i diversi modelli di autoencoder saranno quindi esposti a diversi approcci di regolarizzazione, come dropout e de-noise autoencoder (DAE), per valutare la diversa robustezza dei modelli prodotti. Le varie architetture AE vengono quindi testate in un ambiente di benchmark simulato, in cui vengono iniettate anomalie, rumori e comportamenti difettosi al fine di essere rilevati. I modelli più promettenti vengono quindi impiegati in un caso di test nel mondo reale, in cui devono essere rilevati eventi critici delle WTG precedentemente etichettati. L'obiettivo dell'analisi non sarà solo quello di rilevare eventi avversi, ma anche di identificare correttamente le misure e i sottosistemi implicati nelle anomalie.
Questo studio ha dimostrato l'efficacia dei modelli data-driven e alimentati dall'intelligenza artificiale per ottenere valutazioni sull'esistenza e sulla natura delle anomalie. Inoltre, l'efficacia del metodo consente una valutazione delle prestazioni dei parchi eolici e dei loro sottosistemi.