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

Descrizione del progetto

Sistema multi-agente per il rilevamento di anomalie spiegabili nelle operazioni di turbine eoliche collaborative

L’energia eolica è fondamentale per il raggiungimento dell’obiettivo dell’UE dell’azzeramento delle emissioni di carbonio entro il 2050, ma deve affrontare sfide quali la scarsa affidabilità e i costi elevati. I metodi basati sui dati offrono soluzioni, ma molti di essi si basano su un apprendimento centralizzato, il che comporta problemi di trasparenza, un livello di accuratezza non uniforme e preoccupazioni relative alla riservatezza dei dati per i parchi eolici indipendenti. Con il sostegno del programma di azioni Marie Skłodowska-Curie, il progetto MEDIC svilupperà un quadro di riferimento multi-agente, spiegabile, per il rilevamento e l’inferenza nei sistemi collaborativi di turbine eoliche. Il progetto metterà a punto sistemi diagnostici spiegabili a livello di singola turbina, generalizzazione tra turbine e apprendimento collaborativo che garantisca la tutela della privacy. Il progetto definirà inoltre le risorse necessarie, tra cui la capacità di sistema, il tutoraggio, le esigenze in termini di dati e le strutture sperimentali. Nel complesso, migliorerà le competenze scientifiche e favorirà il monitoraggio dell’energia eolica, la manutenzione predittiva e il raggiungimento degli obiettivi climatici dell’UE.

Obiettivo

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.