ЧОТИРИРІВНЕВА АРХІТЕКТУРА ІНТЕРНЕТУ РЕЧЕЙ ДЛЯ ВІТРОЕНЕРГЕТИЧНИХ СИСТЕМ: МОНІТОРИНГ, ОПТИМІЗАЦІЯ ТА ІНТЕГРАЦІЯ З МЕРЕЖЕЮ

Автор(и)

  • С. В. Сиротюк Львівський національний університет ветеринарної медицини та біотехнологій ім. С. Ґжицького https://orcid.org/0000-0001-9966-6299
  • О. Г. Скляр Таврійський державний агротехнологічний університет імені Дмитра Моторного https://orcid.org/0000-0002-0456-2479
  • В. В. Пташник Львівський національний університет ветеринарної медицини та біотехнологій ім. С. Ґжицького https://orcid.org/0000-0002-1018-1138
  • В. В. Климчук Львівський національний університет ветеринарної медицини та біотехнологій ім. С. Ґжицького https://orcid.org/0009-0000-6332-7869
  • Ґ. Валовські Інститут технологій і наук про життя – Національний науково-дослідний інститут https://orcid.org/0000-0002-0866-4368

DOI:

https://doi.org/10.32782/2220-8674-2026-16-1-14

Ключові слова:

IoT, відновлювана енергетика, турбіна, вітрові електростанції, штучний інтелект, офшорна енергетика

Анотація

У статті розглянуто, що таке Інтернет речей, як функціонують вітрові електростанції та чому доцільно інтегрувати IoT із відновлюваною енергетикою. Висвітлено моніторинг робочих параметрів вітрових турбін, автоматизацію й оптимізацію процесів, а також прогнозування відмов і предиктивне технічне обслуговування. Наведено приклади систем вітрових електростанцій, у яких використовується Інтернет речей, а також технології та платформи, що застосовуються для моніторингу. На основі визначення викликів і обмежень, пов’язаних з управлінням даними, окреслено перспективи розвитку Інтернету речей у вітроенергетиці.

Посилання

WWEA Annual Report 2024 A Challenging Year for Windpower, 2025. URL:https://www.wwindea.org/

Tawab A. A. Wind Turbine Components Part 8: Sensors and Control System | ECAICO. URL: https://www.ecaico.com/2025/10/%20wind-turbine-part8-sensors-control-system.html

Rückert F. U. et al. Fluid flow and heat transfer of a novel passive cooling system for gearless wind turbines with a power range of 3–12 MW. Energy. 2024. Vol. 312. DOI: 10.1016/j.energy.2024.133478

Benhanifia A., Ben Cheikh Z., Oliveira P. M., Valente A., Lima J. Systematic review of predictive maintenance practices in the manufacturing sector. Elsevier B.V. 2025. DOI: 10.1016/j.iswa.2025.200501

Emexidis C., Gkonis P. The Integration of Internet of Things and Machine Learning for Energy Prediction of Wind Turbines. Applied Sciences. 2024. Vol. 14(22). DOI: 10.3390/app142210276

Wang L., Fan W., Jiang G., Xie P. An efficient federated transfer learning framework for collaborative monitoring of wind turbines in IoE-enabled wind farms. Energy. 2023. Vol. 284. P. 128518. DOI: 10.1016/J.ENERGY.2023.128518

Ullo S. L., Sinha G. R. Advances in Smart Environment Monitoring Systems Using IoT and Sensors. Sensors. 2020. Vol. 20(11). P. 3113. DOI: 10.3390/s20113113

Akbarzadeh S., Allahverdi A. Machine Learning Approaches for Wind Turbine Predictive Maintenance: An Interoperational SCADA Data Analysis. URL: https://www.researchgate.net/publication/395239093_Machine_Learning_Approaches_for_Wind_Turbine_Predictive_Maintenance_An_Interoperational_SCADA_Data_Analysis

Leon-Medina J. X., Tibaduiza D. A., Parés N., Pozo F. Digital twin technology in wind turbine components: A review. Intelligent Systems with Applications. 2025. Vol. 26. P. 200535. DOI: 10.1016/J.ISWA.2025.200535

Clifton A. et al. Grand challenges in the digitalisation of wind energy. Wind Energy Science. 2023. Vol. 8(6). P. 947–974. DOI: 10.5194/wes-8-947-2023

Abdullahi I., Perinpanayagam S., Hamidu I. A Fog Computing Based Approach Towards Improving Asset Management and Performance of Wind Turbine Plants Using Digital Twins. 27th International Conference on Automation and Computing (ICAC), IEEE. 2022. P. 1–5. DOI: 10.1109/ICAC55051.2022.9911170

Ali H. S.. Sridevi R. Mobility and Security Aware Real-Time Task Scheduling in Fog-Cloud Computing for IoT Devices: A Fuzzy-Logic Approach. Comput. J. 2024. Vol. 67(2). P. 782–805. DOI: 10.1093/comjnl/bxad019

Renström N., Bangalore P., Highcock E. System-wide anomaly detection in wind turbines using deep autoencoders. Renew. Energy. 2020. Vol. 157. P. 647–659. DOI: 10.1016/j.renene.2020.04.148

Jonas S., Meyer A. Fault detection in new wind turbines with limited data by generative transfer learning. Energy and AI. 2025. Vol. 22. P. 100626. DOI: 10.1016/j.egyai.2025.100626

Azari A., Miao G., Stefanovic C., Popovski P. Latency-Energy Tradeoff based on Channel Scheduling and Repetitions in NB-IoT Systems. IEEE Global Communications Conference. IEEE. 2018. URL: https://ieeexplore.ieee.org/document/8648024. DOI: 10.1109/GLOCOM.2018.8648024

##submission.downloads##

Опубліковано

2026-05-18

Як цитувати

Сиротюк, С. В., Скляр, О. Г., Пташник, В. В., Климчук, В. В., & Валовські, Ґ. (2026). ЧОТИРИРІВНЕВА АРХІТЕКТУРА ІНТЕРНЕТУ РЕЧЕЙ ДЛЯ ВІТРОЕНЕРГЕТИЧНИХ СИСТЕМ: МОНІТОРИНГ, ОПТИМІЗАЦІЯ ТА ІНТЕГРАЦІЯ З МЕРЕЖЕЮ. Науковий вісник Таврійського державного агротехнологічного університету, 16(1), 123–137. https://doi.org/10.32782/2220-8674-2026-16-1-14

Номер

Том 16 № 1 (2026): Науковий вісник Таврійського державного агротехнологічного університету

Розділ

Галузеве машинобудування

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.