MétaCan
Menu
Retour à la cohorte
Enregistrement W3083181974 · doi:10.1108/jqme-03-2020-0017

Wind power system reliability and maintenance optimization considering turbine and wind uncertainty

2020· article· en· W3083181974 sur OpenAlexaff
Zhigang Tian, Han Wang

Notice bibliographique

RevueJournal of Quality in Maintenance Engineering · 2020
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Reliability and Maintenance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTurbineWind powerReliability (semiconductor)Reliability engineeringWind speedEngineeringRenewable energyElectric power systemMarine engineeringPower (physics)MeteorologyMechanical engineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Purpose Wind power is an important source of renewable energy and accounts for significant portions in supplying electricity in many countries and locations. The purpose of this paper is to develop a method for wind power system reliability assessment and condition-based maintenance (CBM) optimization considering both turbine and wind uncertainty. Existing studies on wind power system reliability mostly considered wind uncertainty only and did not account for turbine condition prediction. Design/methodology/approach Wind power system reliability can be defined as the probability that the generated power meets the demand, which is affected by both wind uncertainty and wind turbine failures. In this paper, a method is developed for wind power system reliability modeling considering wind uncertainty, as well as wind turbine condition through health condition prediction. All wind turbine components are considered. Optimization is performed for maximizing availability or minimizing cost. Optimization is also conducted for minor repair activities to find the optimal number of joint repairs. Findings The wind turbine condition uncertainty and its prediction are important for wind power system reliability assessment, as well as wind speed uncertainty. Optimal CBM policies can be achieved for optimizing turbine availability or maintenance cost. Optimal preventive maintenance policies can also be achieved for scheduling minor repair activities. Originality/value This paper considers uncertainty in both wind speed and turbine conditions and incorporates turbine condition prediction in reliability analysis and CBM optimization. Optimization for minor repair activities is studied to find the optimal number of joint repairs, which was not investigated before. All wind turbine components are considered, and data from the field as well as reported studies are used.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,222
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Quality in Maintenance EngineeringMême sujetPower System Reliability and MaintenanceTravaux en français237 207