Çok kaynaklı SCADA verilerinde 1B-CNN ve zamanlı özellik mühendisliği ile rüzgâr türbini anormalliklerinin erken tahmini

Rüzgâr Türbinlerini Döndürmeye Devam Etmek

Rüzgâr çiftlikleri temiz enerjinin belkemiği haline geliyor, ancak her türbin zorlu koşullarda çalışan büyük ve karmaşık bir makinedir. Türbin içinde bir şey ters gittiğinde onarımlar maliyetli olur ve her duruş saati kaybedilen elektriktir. Bu makale, modern yapay zekânın türbin verilerinde sorunların erken uyarı işaretlerini nasıl saptayabileceğini araştırıyor; böylece işletmeciler küçük sorunları büyük ve pahalı arızalara dönüşmeden önce düzeltebilir.

Milyonlarca Ölçümü İzleme Zorluğu

Her rüzgâr türbini kontrol sistemi aracılığıyla sürekli olarak SCADA olarak bilinen bilgi akışları raporlar. Bu okumalar ortam sıcaklığı, şaftın dönüş hızı, üretilen güç miktarı ve elektrik şebeke frekansının ne kadar sabit olduğu gibi verileri içerir. Onlarca türbin ve birkaç rüzgâr çiftliği genelinde bu, milyonlarca zaman damgalı ölçüme dönüşür. İnsan mühendislerin tüm bu verileri elle elemesi gerçekçi değildir ve geleneksel kural tabanlı alarmlar, koşullar çiftlikten çiftliğe veya mevsimden mevsime değiştiğinde zorlanır.

Birden Çok Rüzgâr Çiftliğinden Tek Bir Büyük Resim Oluşturmak

Araştırmacılar bu sorunu Portekiz ve Almanya’daki üç farklı rüzgâr çiftliğinden gelen SCADA verilerini birleştirerek ele aldı; bunlar yıllar boyunca toplam 36 türbini kapsıyordu. Her çiftliğin kendi sensör karışımı ve ölçekleri olduğundan ekip önce verileri dikkatle hizalamak ve temizlemek zorunda kaldı. Tüm çiftliklerin paylaştığı dört temel sinyali seçtiler—çevresel sıcaklık, şebeke frekansı, aktif güç ve dönme hızı—ve bir ülkedeki türbinin diğerindeki bir türbinle adil biçimde karşılaştırılabilmesi için bunları dönüştürüp standartlaştırdılar. Ayrıca günün saati ve yılın ayı gibi basit zaman bilgileri eklediler ve veriyi örtüşen 24 saatlik pencerelere böldüler; bu pencereler normal davranış veya arıza içeren olaylar olarak etiketlendi.

Farklı Yapay Zekâ Yaklaşımlarını Test Etmek

Bu birleşik veri kümesi hazır olduğunda ekip, zamana dayalı veriler için popüler birkaç derin öğrenme yöntemini karşılaştırdı. Dizileri adım adım okuyan geleneksel tekrarlı ağları, LSTM ve çift yönlü LSTM gibi daha gelişmiş bellek tabanlı tasarımları, dilate filtreler kullanarak geçmişe daha uzak bakabilen bir zamansal konvolüsyonel ağı ve zaman çizgisi boyunca yerel desenleri tarayan bir boyutsal konvolüsyon ağı (1B-CNN) test ettiler. Tüm modeller aynı koşullar altında eğitildi ve ayarlandı; doğrulukları, erken arıza belirtilerini normal işletimden ayırt etme yeteneği ve yanlış alarmları sınırlama açısından değerlendirildi.

Neden Basit Konvolüsyonlar Üstün Çıktı

Daha karmaşık sıra modellerinin popülaritesine rağmen, doğrudan 1B-CNN bu görevde en iyi performansı gösterdi. Yaklaşık yüzde 85 doğruluk ve F1-skora ulaştı ve üç rüzgâr çiftliğinin tamamında sağlıklı ile arızalı davranışları ayırt etmede güçlü bir yetenek sergiledi. Yazarlar, bu başarının konvolüsyonel filtrelerin aynı anda birkaç sinyalde kısa vadeli desenleri ve ani değişimleri verimli şekilde yakalayabilmesinden kaynaklandığını savunuyor; bu tür özellikler genellikle erken arıza ipuçları için önemlidir. İstatistiksel testler, 1B-CNN’in diğer standart modellere göre avantajının yalnızca şansa bağlı olmadığını doğruladı.

Daha Akıllı Bir Hibrit Model Ekleme

Adil bir temel oluşturduktan sonra araştırmacılar bir adım daha giderek konvolüsyonel katmanları LSTM katmanları ve bir dikkat mekanizması ile harmanlayan hibrit bir model tasarladı. Bu yapıda konvolüsyon kısmı sensör sinyallerinden yerel özellikleri hızlıca çıkarır, LSTM kısmı bu özelliklerin daha uzun zaman aralıklarında nasıl evrildiğini izler ve dikkat bileşeni bir dizideki en bilgi verici anlara otomatik olarak daha fazla ağırlık verir. Bu hibrit yaklaşım performansı yaklaşık yüzde 87 doğruluğa kadar yükseltti ve aynı bileşenlerden oluşturulan diğer birleşik mimarileri geride bıraktı.

Temiz Enerji İçin Anlamı

Uzman olmayanlar için temel çıkarım, dikkatle hazırlanmış veriler ve iyi seçilmiş derin öğrenme modellerinin rüzgâr çiftliği işletmecilerine bir şeylerin ters gitmeye başladığına dair erken ve güvenilir uyarılar sağlayabileceğidir. Birden çok sahadan gelen bilgileri birleştirip algoritmaların arızalardan önceki desenleri öğrenmesine izin vererek çalışma, türbin izleme için daha akıllı ve daha genel araçlara giden bir yolu gösteriyor. Pratikte bu, daha az sürpriz arıza, daha düşük bakım maliyetleri ve şebekeye daha düzenli temiz enerji sağlanması—bıçakların dönmeye ve ışıkların yanmaya devam etmesine yardımcı olmak demektir.

Atıf: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

Anahtar kelimeler: rüzgâr türbini izleme, öngörücü bakım, SCADA zaman serileri, derin öğrenme modelleri, arıza tespiti