[논문 리뷰] Condition monitoring and early diagnostics methodologies for hydropower plants

Alessandro Betti, Emanuele Crisostomi외 4명|arXiv (Cornell University)|2019. 11. 13.

Fault Detection and Control Systems참고 문헌 13인용 수 5

한 줄 요약

이 논문은 수력발전소의 상태 모니터링 및 초기 고장 탐지에 위한 새로운 자기조직화 지도(SOM) 기반 핵심 성과 지표(KPI)를 제안한다. 기존의 호틀링 $t^2$ 제어도표보다 조기 고장을 더 빨리 탐지하고 고장 원인 부품을 특정할 수 있어, 두 개의 실제 수력발전소에서 12개월간 검증되었으며, 계획 외 정지 사고를 방지함으로써 €25k–100k의 비용 절감 효과를 거두었다.

ABSTRACT

Hydropower plants are one of the most convenient option for power generation, as they generate energy exploiting a renewable source, they have relatively low operating and maintenance costs, and they may be used to provide ancillary services, exploiting the large reservoirs of available water. The recent advances in Information and Communication Technologies (ICT) and in machine learning methodologies are seen as fundamental enablers to upgrade and modernize the current operation of most hydropower plants, in terms of condition monitoring, early diagnostics and eventually predictive maintenance. While very few works, or running technologies, have been documented so far for the hydro case, in this paper we propose a novel Key Performance Indicator (KPI) that we have recently developed and tested on operating hydropower plants. In particular, we show that after more than one year of operation it has been able to identify several faults, and to support the operation and maintenance tasks of plant operators. Also, we show that the proposed KPI outperforms conventional multivariable process control charts, like the Hotelling $t_2$ index.

연구 동기 및 목표

• 고급 기계학습을 활용한 실시간, 데이터 기반의 수력발전소 상태 모니터링 시스템을 개발하기 위해.
• 기존의 임계값 기반 또는 多변량 제어도표를 초월해 초기 고장 탐지 능력을 향상시키기 위해.
• 발견된 이면의 이상 현상에 대해 원인 부품을 특정하여 대상 유지보수를 지원하기 위해.
• 12개월간 현장 테스트를 통해 실제 운영 조건에서 KPI의 유효성을 검증하기 위해.
• 비지도 학습과 운영자 피드백 루프를 통해 예측 유지보수의 실현 가능성을 입증하기 위해.

제안 방법

• 수력발전소 운영에서의 이력 센서 데이터를 기반으로 자기조직화 지도(SOM)를 훈련시켜 정상 작동 패턴을 학습한다.
• KPI는 입력 데이터와 가장 가까운 SOM 뉴런 사이의 양자화 오차로 계산되며, 정상 행동에서의 이탈 정도를 측정하는 지표로 기능한다.
• 이상 현상은 이전 KPI 분포를 기반으로 동적으로 조정된 경고 임계값을 초과할 경우 탐지된다.
• 이상 현상에 기여하는 개별 센서의 기여도를 민감도 기반 접근 방식으로 분석함으로써 고장 부품을 특정한다.
• 식별된 이상 현상에 대한 운영자 피드백을 반복적으로 활용하여 탐지 정확도를 향상시키고 임의 경고를 줄인다.
• 두 개의 수력발전소에서 확보한 실제 데이터를 사용하여 성능을 호틀링 $t^2$ 제어도표와 비교한다.

실험 결과

연구 질문

• RQ1 SOM 기반 KPI는 기존의 다변량 제어도표보다 수력발전소의 초기 고장을 더 이르게 탐지할 수 있는가?
• RQ2 제안된 KPI는 비정상 행동의 원인 부품을 특정할 수 있는가?
• RQ3 이 KPI는 다수의 수력발전소에서 장기간 실재 운영 조건에서 얼마나 효과적으로 작동하는가?
• RQ4 운영자 피드백이 KPI의 탐지 능력을 어느 정도 향상시킬 수 있는가?
• RQ5 이 방법론을 통해 조기 고장 탐지로 인한 경제적 이점은 무엇인가?

주요 결과

• 2018년 10월 1일, Plant B에서 센서 고장을 SOM 기반 KPI가 비정상적으로 조기에 탐지하여, 임계 상태에 이르기 하루 전에 수리 조치를 취함으로써 단위 정지 사고를 방지했다.
• 발전기의 정지 사고를 방지함으로써 예상 €25,000에서 €100,000의 정지 및 수리 비용 절감 효과를 달성했다.
• 2018년 6월 1일, Plant A에서 변압기 이상을 KPI가 호틀링 $t^2$ 도표보다 한 달 빨리 탐지했으며, 호틀링 도표는 20일 후에야 경고를 발동했다.
• KPI는 이전에 식별되지 않았던 변압기의 과거 고장 패tern을 정확히 특정했으며, 이는 식별된 가스 감지 시스템이 2018년 4월 22일 이후로만 가스 농도 증가를 보였기 때문이다.
• 과거 이상 데이터를 훈련 세트에서 제거한 후, KPI는 고장 발생 시점이 한 달 빨리 시작되었음을 후행적으로 확인했으며, 피드백을 통한 탐지 능력 향상이 입증되었다.
• SOM 기반 KPI는 임의 경고를 줄이고 더 이르고 신뢰도 있는 경고를 제공함으로써 호틀링 $t^2$ 제어도표를 능가하는 성능을 보였다.