Machine learning for optimization of pump operation under transients in hydraulic turbine rigs

Vattenkraftverk används allt mer för att kontrollera och balansera elnätet vilket orsakar mer slitage och därför minskar maskinernas livslängd. Tekniker som kan hjälpa branschen att bättre förutse behovet av underhåll och minimera utmattningsbelastningar under transient drift efterfrågas därför. Maskininlärning är en sådan teknik, som kan tillämpas på många olika sätt och för många olika ändamål.

Målet med projektet är att undersöka hur maskininlärningstekniker kan användas inom vattenkraft för prediktivt underhåll och för optimering av transient turbindrift. Genom att använda maskininlärningstekniker för optimering kan ägaren av kraftverket övervaka och förutse utmattningsbelastningar vilket i sin tur kan leda till bättre rutiner för underhåll och minskade kostnader.  

Maskininlärningstekniker kommer att tillämpas för optimering av pumpdrift i Vattenfalls hydrauliska turbinrigg. Resultaten kan med fördel också användas inom andra tillämpningar inom vattenkraft, eftersom maskininlärning är lätt att anpassas till olika ändamål.

Den pågående digitaliseringen av vattenkraftsindustrin ger upphov till stora mängder data och information, men det krävs också kunskap och verktyg för att analysera och använda dessa data. I det här projektet kommer  olika metoder för maskininlärning att användas, med syfte till att konstruera modeller för att beskriva både den kvasistatiska och dynamiska prestandan hos vattenkraftsturbiner.

Samarbetande organisationer

• Kungliga Tekniska Högskolan (KTH) (Akademisk, Sweden)
• Lunds universitet (Akademisk, Sweden)
• Luleå tekniska universitet (Akademisk, Sweden)
• Energiforsk AB (Privat, Sweden)
• Uppsala universitet (Akademisk, Sweden)