A Multi-agent Explainable Detection and Inference for Collaborative Wind Turbine Systems

Descripción del proyecto

Sistema multiagente para la detección explicable de anomalías en la explotación colaborativa de los aerogeneradores

La energía eólica es fundamental para el objetivo de neutralidad en carbono de la Unión Europea (UE) para 2050, pero afronta retos como la baja fiabilidad y los elevados costes. Los métodos basados en datos ofrecen soluciones, pero muchos de ellos se basan en el aprendizaje centralizado, lo que da lugar a problemas de transparencia, precisión inconsistente y preocupaciones sobre la privacidad de los datos para los parques eólicos independientes. Con el apoyo de las Acciones Marie Skłodowska-Curie , el equipo del proyecto MEDIC desarrollará un marco multiagente de detección e inferencia explicables para sistemas colaborativos de aerogeneradores. Establecerá los diagnósticos explicables en el aerogenerador, la generalización entre aerogeneradores y el aprendizaje colaborativo que preserve la privacidad. En el proyecto también se definirán los recursos necesarios, incluyendo la capacidad del sistema, la tutoría, las necesidades relativas a los datos y las instalaciones experimentales. En general, se mejorarán las competencias científicas y se promoverá la monitorización de la energía eólica, el mantenimiento predictivo y los objetivos climáticos de la UE.

Objetivo

Wind energy is critical to achieving the European Union's carbon neutrality goal by 2050 and has experienced rapid development. Currently, there is a great challenge to large-scale wind farms due to low reliability and high operation and maintenance costs. Datadriven methods can offer a powerful and sustainable way to monitor wind turbine health. However, existing approaches primarily reliant on centralized learning, are often inadequate in providing the necessary transparency for actionable insights, fall short in consistently delivering accurate results across diverse operating conditions, and are unable to fully accommodate data privacy concerns of independent wind farms. To address these challenges, this project aims to develop a Multi-agent Explainable Detection and Inference framework for Collaborative wind turbine systems (MEDIC). Specifically, MEDIC includes three progressive tasks: 1) explainable turbine-level diagnostics powered by knowledge-guided graph modeling; 2) robust cross-turbine generalization through causal disentangled representation learning; 3) privacy-preserving collaborative learning facilitated by multi-agent federated learning. MEDIC will empower multiple agents (wind turbines) to collaboratively contribute to and benefit from a globally optimized anomaly detection model while maintaining control over their sensitive data. MEDIC specifies the resources needed for this project, including the quality and capacity of the host, mentors, data, and experimental facilities. This project will enhance the applicant's scientific skills and innovation capability, expand research horizons, and establish research collaborations. A two-way knowledge transfer approach in energy big data, distributed modeling and energy system analysis is proposed to ensure benefits between the
applicant and the host. MEDIC will make a significant contribution to the state-of-the-art in wind energy system monitoring and predictive maintenance and the EU climate goals.