論文の概要: Active Learning-Based Optimization of Hydroelectric Turbine Startup to Minimize Fatigue Damage
- arxiv url: http://arxiv.org/abs/2411.14618v1
- Date: Thu, 21 Nov 2024 22:34:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-25 15:02:31.641667
- Title: Active Learning-Based Optimization of Hydroelectric Turbine Startup to Minimize Fatigue Damage
- Title(参考訳): 水力タービンスタートアップの疲労損傷最小化のためのアクティブラーニングに基づく最適化
- Authors: Vincent Mai, Quang Hung Pham, Arthur Favrel, Jean-Philippe Gauthier, Martin Gagnon,
- Abstract要約: 水力発電ユニット(HGU)は、断続的な再生可能エネルギー源を電力網に統合する上で重要な役割を担っている。
この進化する役割は、タービンに大きなストレスを与えるスタートアップのような過渡的なイベントの増加につながった。
本稿では,HGUの起動パラメータを限られた予算で最適化する,革新的な自動化手法を提案する。
- 参考スコア(独自算出の注目度): 1.1650821883155187
- License:
- Abstract: Hydro-generating units (HGUs) play a crucial role in integrating intermittent renewable energy sources into the power grid due to their flexible operational capabilities. This evolving role has led to an increase in transient events, such as startups, which impose significant stresses on turbines, leading to increased turbine fatigue and a reduced operational lifespan. Consequently, optimizing startup sequences to minimize stresses is vital for hydropower utilities. However, this task is challenging, as stress measurements on prototypes can be expensive and time-consuming. To tackle this challenge, we propose an innovative automated approach to optimize the startup parameters of HGUs with a limited budget of measured startup sequences. Our method combines active learning and black-box optimization techniques, utilizing virtual strain sensors and dynamic simulations of HGUs. This approach was tested in real-time during an on-site measurement campaign on an instrumented Francis turbine prototype. The results demonstrate that our algorithm successfully identified an optimal startup sequence using only seven measured sequences. It achieves a remarkable 42% reduction in the maximum strain cycle amplitude compared to the standard startup sequence. This study paves the way for more efficient HGU startup optimization, potentially extending their operational lifespans.
- Abstract(参考訳): 水力発電ユニット(HGU)は、その柔軟な運用能力のため、断続的な再生可能エネルギー源を電力グリッドに統合する上で重要な役割を担っている。
この進化した役割は、スタートアップのような過渡的な出来事が増加し、タービンに重大なストレスを与え、タービンの疲労が増加し、運用寿命が減少する。
したがって、ストレスを最小限に抑えるためにスタートアップシーケンスを最適化することは、水力発電に不可欠である。
しかし、プロトタイプの応力測定は高価で時間を要するため、この作業は困難である。
この課題に対処するために,HGUの起動パラメータを,測定された起動シーケンスの限られた予算で最適化する,革新的な自動化手法を提案する。
本手法は,仮想ひずみセンサとHGUの動的シミュレーションを利用して,能動的学習とブラックボックス最適化を併用する。
このアプローチは、フランシスタービンの試作機上での現場計測キャンペーン中にリアルタイムでテストされた。
その結果,提案アルゴリズムは7つの測定シーケンスのみを用いて最適な起動シーケンスを同定できた。
標準起動シーケンスと比較して,最大ひずみサイクル振幅の42%の顕著な減少を実現している。
この研究は、より効率的なHGUスタートアップ最適化の道を開き、運用寿命を延ばす可能性がある。
関連論文リスト
- One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。
OneDPはロボット制御タスクの応答時間を著しく短縮する。
論文 参考訳(メタデータ) (2024-10-28T17:54:31Z) - A Fault Prognostic System for the Turbine Guide Bearings of a Hydropower Plant Using Long-Short Term Memory (LSTM) [0.2796197251957245]
この研究は、HPPのタービン軸受のための人工的にインテリジェントな断層予測システムを開発することを目的としている。
提案手法は,Long Short-Term Memory (LSTM) アルゴリズムを用いてモデルの開発を行う。
このモデルでは, 振動値の高精度な予測を行い, 極めて低いRMSEを実現している。
論文 参考訳(メタデータ) (2024-07-26T18:45:42Z) - MOSEAC: Streamlined Variable Time Step Reinforcement Learning [14.838483990647697]
マルチ目的ソフト・エクササイズ・アクタ・クライブ法(MOSEAC)を提案する。
MOSEACは、トレーニング中のタスク報酬の観測傾向に基づく適応型報酬スキームを特徴とする。
ニュートンのキネマティクス環境におけるシミュレーションによりMOSEAC法の有効性を検証した。
論文 参考訳(メタデータ) (2024-06-03T16:51:57Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - Efficient Real-time Path Planning with Self-evolving Particle Swarm
Optimization in Dynamic Scenarios [6.951981832970596]
操作形式(TOF)は、粒子の操作をテンソル操作に変換する。
自己進化型粒子群最適化(SEPSO)を開発した。
SEPSOはより優れたパスを生成でき、リアルタイムのパフォーマンスがかなり向上する。
論文 参考訳(メタデータ) (2023-08-20T05:31:48Z) - Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。
共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
論文 参考訳(メタデータ) (2022-10-24T18:39:44Z) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳(メタデータ) (2022-10-14T20:19:32Z) - Automated Progressive Learning for Efficient Training of Vision
Transformers [125.22744987949227]
ビジョントランスフォーマー(ViT)は、コンピュータパワーに対する大胆な欲求を持ち、ViTの効率的なトレーニング方法を開発するために緊急に必要となる。
プログレッシブラーニング(Progressive Learning)は、モデルキャパシティがトレーニング中に徐々に成長するトレーニングスキームである。
本稿では,先進的な学習をカスタマイズし,自動化することで,ViTの効率的な訓練に向けて実践的な一歩を踏み出した。
論文 参考訳(メタデータ) (2022-03-28T05:37:08Z) - Automated Few-Shot Time Series Forecasting based on Bi-level Programming [5.760976250387322]
本稿では,バイレベルプログラミングの観点から,数発の学習パイプラインの最適設計を自動化するBiLO-Auto-TSF/MLフレームワークを開発する。
提案したBiLO-Auto-TSF/MLフレームワークの有効性を総合的に検証した。
論文 参考訳(メタデータ) (2022-03-07T12:15:14Z) - Generative Planning for Temporally Coordinated Exploration in
Reinforcement Learning [29.811723497181486]
ジェネレーティブプランニング法(GPM)は、現在のステップだけでなく、将来のステップでもアクションを生成することができる。
GPMは、その生成した多段階計画を利用して、高価値領域への時間的協調探索を行うことができる。
論文 参考訳(メタデータ) (2022-01-24T15:53:32Z) - Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for
Hyperparameter Recommendation [83.85021205445662]
本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。
マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
論文 参考訳(メタデータ) (2021-06-17T00:01:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。