Key points are not available for this paper at this time.
Der Übergang zu erneuerbaren Energien erfordert Innovationen bei neuen erneuerbaren Energiequellen, wie Windkraftanlagen und Photovoltaikanlagen (PV). Herausforderungen ergeben sich bei der Sicherstellung einer effizienten und zuverlässigen Leistung in ihrem Betrieb und ihrer Wartung. Prädiktive Wartung mit maschinellem Lernen (PdM-ML) ist relevant, um diese Herausforderungen zu bewältigen, indem Fehlervorhersagen verbessert und Ausfallzeiten reduziert werden. Diese Studie untersucht die Wirksamkeit von PdM-ML in Windkraftanlagen und PV-Systemen, indem Betriebsdaten analysiert, Datenvorverarbeitung durchgeführt und maschinelle Lernmodelle für jedes System entwickelt werden. Die Ergebnisse zeigen, dass das Modell für Windkraftanlagen Fehler in kritischen Komponenten wie Getrieben und Rotorblättern mit hoher Genauigkeit vorhersagen kann. Im Gegensatz dazu ist das Modell für PV-Systeme effektiv bei der Vorhersage von Effizienzverlusten bei Wechselrichtern und Solarpanels. Hinsichtlich der betrieblichen Komplexität hat jedes Modell eigene Vor- und Nachteile, aber im Vergleich zu konventionellen Wartungstechniken bieten beide niedrigere Kosten bei höherer Betriebseffizienz. Zusammenfassend lässt sich sagen, dass die maschinelles Lernen-basierte prädiktive Wartung eine vielversprechende Lösung zur Verbesserung der Zuverlässigkeit und Effizienz von erneuerbaren Energiesystemen darstellt.
Uhanto et al. (Sat,) untersuchten diese Frage.