การทำนายพฤติกรรมทางความร้อนของสเตเตอร์ ของเครื่องกำเนิดไฟฟ้าพลังน้ำ โดยการเรียนรู้เชิงลึก เพื่อการบำรุงรักษาเชิงป้องกัน

Thermal behavior prediction of hydropower generator-stator by deep learning approach for preventive maintenance

Name: ชินโชติ ดีวิจิตร

ThaSH: เครื่องกำเนิดไฟฟ้าพลังน้ำ

ThaSH: โรงไฟฟ้าพลังน้ำ

ThaSH: การเรียนรู้เชิงลึก (การเรียนรู้ของเครื่อง)

ThaSH: การผลิตไฟฟ้าและความร้อน

Abstract: งานวิจัยนี้พัฒนาโมเดลการเรียนรู้เชิงลึกที่มีประสิทธิภาพสูงสำหรับการพยากรณ์พฤติกรรมความร้อนในเครื่องกำเนิดไฟฟ้าพลังน้ำ โดยเน้นการวิเคราะห์ตัวแปรอินพุตที่ส่งผลต่อระบบระบายความร้อนในกระบวนการผลิตไฟฟ้า เพื่อสนับสนุนการบำรุงรักษาเชิงป้องกันผ่านการประเมินผลกระทบของตัวแปรสำคัญและความสัมพันธ์ต่อประสิทธิภาพของระบบในงานวิจัยนี้ได้เลือกโมเดลการเรียนรู้เชิงลึกชนิดโครงข่ายประสารทเทียมแบบหน่วยความจำระยะยาว-ระยะสั้น (Long Short-Term Memory, LSTM) โดยโมเดลจะมีการพิจารณาตัวแปรอินพุต ได้แก่ อุณหภูมิน้ำเข้า, อัตราการไหลของน้ำ, กำลังการผลิตไฟฟ้า, ระดับน้ำในอ่างเก็บน้ำ และตัวแปรที่สะท้อนถึงฤดูกาลกับผลกระทบด้านสิ่งแวดล้อมต่อระบบผลิตไฟฟ้า ในการพยากรณ์ค่าผลลัพธ์ด้านความร้อน ได้แก่ อุณหภูมิอากาศเข้า-ออกเครื่องแลกเปลี่ยนความร้อน อุณหภูมิสเตเตอร์ และอุณหภูมิน้ำออกจากระบบแลกเปลี่ยนความร้อน จากการฝึก ตรวจสอบและทดสอบผลลัพธ์ของโมเดล แสดงให้เห็นว่าโมเดลสามารถพยากรณ์ข้อมูลปี 2019 ที่ไม่เคยเห็นมาก่อนได้ โดยมีค่าความคลาดเคลื่อนของอุณหภูมิอากาศเข้า อุณหภูมิอากาศออก อุณหภูมิน้ำออกจากอุปกรณ์แลกเปลี่ยนความร้อน และอุณหภูมิสเตเตอร์ อยู่ที่ 0.46% 0.09% 0.16% และ 0.93% ตามลำดับ นอกจากนี้ โมเดลยังสามารถพยากรณ์ข้อมูลปี 2021–2024 ได้อย่างมีประสิทธิภาพ แม้ในสถานการณ์ที่มีความแตกต่างจากข้อมูลที่ใช้ฝึกฝนเดิม แสดงถึงความยืดหยุ่นและศักยภาพของโมเดลสำหรับการจัดการระบบผลิตไฟฟ้าในอนาคตจากโมเดลที่ได้ถูกพัฒนาขึ้นมาในข้างต้นจะถูกนำมาการวิเคราะห์ผลกระทบของตัวแปรนำเข้าโดยใช้ค่าชาร์ป (SHAP Values) และการวิเคราะห์ความอ่อนไหวแบบโซโบล (Sensitivity แบบ Sobol's) พบว่า อุณหภูมิน้ำเข้าและอัตราการไหลของน้ำเป็นปัจจัยสำคัญต่อพฤติกรรมความร้อนของระบบผลิตไฟฟ้า โดยอุณหภูมิน้ำเข้ามีค่าดัชนีความอ่อนไหวลำดับแรกและรวมสูงกว่า 75% ในช่วงเวลาวิกฤต ในขณะที่การเพิ่มอัตราการไหลที่มากจะไม่สามารถช่วยเพิ่มความสามารถในการระบายความร้อนได้อย่างชัดเจน เนื่องจากความสามารถในการถ่ายเทความร้อนที่เริ่มจำกัด ส่วนของกำลังการผลิตไฟฟ้าที่สูง ยังส่งผลต่อการสะสมความร้อนในสเตเตอร์ นอกจากนี้ การจำลองสถานการณ์ภายใต้เงื่อนไขที่แตกต่างกันแสดงให้เห็นว่าการเพิ่มอุณหภูมิน้ำเข้า 20% ทำให้อุณหภูมิระบบเพิ่มขึ้นอย่างมีนัยสำคัญ ขณะที่การลดลง 20% ช่วยเพิ่มประสิทธิภาพการระบายความร้อน การเพิ่มอัตราการไหลของน้ำ 100% แสดงถึงขีดจำกัดของน้ำในการถ่ายเทความร้อนที่ประมาณ 37C ผลลัพธ์ดังกล่าวเน้นยําความสำคัญของการควบคุมอุณหภูมิน้ำเข้าและอัตราการไหลของน้ำเพื่อรักษาประสิทธิภาพการระบายความร้อนงานวิจัยนี้สนับสนุนการนำโมเดลไปประยุกต์ใช้ร่วมกับระบบบำรุงรักษาเชิงป้องกัน เช่น การพัฒนาระบบแจ้งเตือนอัตโนมัติ และการสนับสนุนการตัดสินใจเชิงกลยุทธ์ เพื่อเพิ่มประสิทธิภาพและความน่าเชื่อถือของระบบระบายความร้อนในเครื่องกำเนิดพลังงานน้ำ และส่งเสริมการจัดการพลังงานอย่างยั่งยืนในอนาคต

Abstract: This research developed a highly efficient deep learning model designed to forecast the thermal behavior of hydropower generators, focusing on the analysis of variables that influence the cooling system in the power generation process. The model aids preventive maintenance by evaluating critical variables and their relationships to system efficiency In this study, a deep learning model based on the Long Short-Term Memory (LSTM) neural network was selected to predict the thermal behavior of a hydropower generation system. The model considers input parameters such as inlet water temperature, water flow rate, power generation capacity, reservoir water level, and variables reflecting seasonal and environmental impacts on the power generation system. The target outputs for thermal prediction include the inlet and outlet air temperatures of the heat exchanger, stator temperature, and outlet water temperature from the heat exchange system. Through training, validation, and testing, the model demonstrated its ability to accurately forecast unseen data for the year 2019, with prediction errors for inlet air temperature, outlet air temperature, outlet water temperature from the heat exchanger, and stator temperature of 0.46%, 0.09%, 0.16%, and 0.93%, respectively. Additionally, the model effectively predicted data from 2021 to 2024, even under conditions differing from the original training dataset. These results highlight the flexibility of the model and the potential for future power generation system management The developed model was utilized to analyze the impact of input parameters using SHAP (SHapley Additive exPlanations) values and Sobol's sensitivity analysis. The results indicated that inlet water temperature and water flow rate were critical factors influencing the thermal behavior of the power generation system. Specifically, inlet water temperature exhibited a first-order and total-order sensitivity index exceeding 75% during critical periods. Conversely, significantly increasing the water flow rate did not substantially enhance cooling performance due to the inherent system heat transfer limitations. Additionally, higher power generation levels contributed to increased heat accumulation in the stator winding generator. Scenario simulations under varying conditions further demonstrated that a 20% increase in inlet water temperature led to a significant rise in the system temperature, whereas a 20% decrease improved cooling efficiency. Moreover, doubling the water flow rate revealed a thermal transfer limit of approximately 37°C. These findings emphasize the importance of controlling inlet water temperature and flow rate to maintain efficient cooling system performance This research supports the application of the developed model in preventive maintenance systems, such as the development of automated alert systems and strategic decision-making support. These applications aim to enhance the efficiency and reliability of the cooling system in the hydropower generator while promoting sustainable energy management in the future.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: อรรถกร อาสนคำ

Role: อาจารย์ที่ปรึกษา

Created: 2567

Modified: 2568-10-06

Issued: 2568-07-20

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมเครื่องกล

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	650631091.pdf	3.92 MB

ใช้เวลา

0.034033 วินาที