Machine learning for optimization of pump operation under transients in hydraulic turbine rigs
Research Project, 2021 – 2022

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.

Participants

Håkan Nilsson (contact)

Chalmers, Mechanics and Maritime Sciences (M2), Fluid Dynamics

Xiao Lang

Chalmers, Mechanics and Maritime Sciences (M2), Marine Technology

Wengang Mao

Chalmers, Mechanics and Maritime Sciences (M2), Marine Technology

Collaborations

Energiforsk AB

Stockholm, Sweden

Luleå University of Technology

Luleå, Sweden

Lund University

Lund, Sweden

Royal Institute of Technology (KTH)

Stockholm, Sweden

Uppsala University

Uppsala, Sweden

Funding

Swedish Energy Agency

Project ID: VKU14173
Funding Chalmers participation during 2021–2022

Related Areas of Advance and Infrastructure

Sustainable development

Driving Forces

Energy

Areas of Advance

More information

Latest update

4/12/2022