Reliability Models and Failure Detection Algorithms for Wind Turbines

Reder, Maik Dennis
MELERO ESTELA, JULIO JAVIER (dir.)

Universidad de Zaragoza, 2018
( )


Resumen: Durante las pasadas décadas, la industria eólica ha sufrido un crecimiento muy
significativo en Europa llevando a la generación eólica al puesto más relevante
en cuanto a producción energética mediante fuentes renovables. Sin embargo, si
consideramos los aspectos económicos, el sector eólico todavía no ha alcanzado
el nivel competitivo necesario para batir a los sistemas de generación de energía
convencionales.
Los costes principales en la explotación de parques eólicos se asignan a las
actividades relacionadas con la Operación y Mantenimiento (O&M;). Esto se debe
al hecho de que, en la actualidad, la Operación y Mantenimiento está basada
principalmente en acciones correctivas o preventivas. Por tanto, el uso de técnicas
predictivas podría reducir de forma significativa los costes relacionados con las
actividades de mantenimiento mejorando así los beneficios globales de la explotación
de los parques eólicos.
Aunque los beneficios del mantenimiento predictivo se consideran cada día
más importantes, existen todavía la necesidad de investigar y explorar dichas
técnicas. Modelos de fiabilidad avanzados y algoritmos de predicción de fallos
pueden facilitar a los operadores la detección anticipada de fallos de componentes
en los aerogeneradores y, en base a ello, adaptar sus estrategias de mantenimiento.
Hasta la fecha, los modelos de fiabilidad de turbinas eólicas se basan, casi
exclusivamente, en la edad de la turbina. Esto es así porque fueron desarrollados
originalmente para máquinas que trabajan en entornos ‘amigables’, por ejemplo, en
el interior de naves industriales. Los aerogeneradores, al contrario, están expuestos
a condiciones ambientales altamente variables y, por tanto, los modelos clásicos
de fiabilidad no reflejan la realidad con suficiente precisión. Es necesario, por
tanto, desarrollar nuevos modelos de fiabilidad que sean capaces de reproducir el comportamiento de los fallos de las turbinas eólicas y sus componentes, teniendo
en cuenta las condiciones meteorológicas y operacionales en su emplazamiento.
La predicción de fallos se realiza habitualmente utilizando datos que se obtienen
del sistema de Supervisión Control y Adquisición de Datos (SCADA) o de Sistemas
de Monitorización de Condición (CMS). Cabe destacar que en turbinas eólicas
modernas conviven ambos tipos de sistemas y la fusión de ambas fuentes de datos
puede mejorar significativamente la detección de fallos. Esta tesis pretende mejorar
las prácticas actuales de Operación y Mantenimiento mediante: (1) el desarrollo de
modelos avanzados de fiabilidad y detección de fallos basados en datos que incluyan
las condiciones ambientales y operacionales existentes en los parques eólicos y (2)
la aplicación de nuevos algoritmos de detección de fallos que usen las condiciones
ambientales y operacionales del emplazamiento, así como datos procedentes tanto
de sistemas SCADA como CMS. Estos dos objetivos se han dividido en cuatro
tareas.
En la primera tarea se ha realizado un análisis exhaustivo tanto de los fallos
producidos en un amplio conjunto de aerogeneradores (amplio en número de turbinas
y en longitud de los registros) como de sus tiempos de parada asociados. De esta
forma, se han visualizado los componentes que más fallan en función de la tecnología
del aerogenerador, así como sus modos de fallo. Esta información es vital para el
desarrollo posterior de modelos de fiabilidad y mantenimiento.
En segundo lugar, se han investigado las condiciones meteorológicas previas
a sucesos con fallos de los principales componentes de los aerogeneradores. Se
ha desarrollado un entorno de aprendizaje basado en datos utilizando técnicas de
agrupamiento ‘k-means clustering’ y reglas de asociación ‘a priori’. Este entorno es
capaz de manejar grandes cantidades de datos proporcionando resultados útiles y
fácilmente visualizables. Adicionalmente, se han aplicado algoritmos de detección
de anomalías y patrones para encontrar cambios abruptos y patrones recurrentes
en la serie temporal de la velocidad del viento en momentos previos a los fallos
de los componentes principales de los aerogeneradores. En la tercera tarea, se
propone un nuevo modelo de fiabilidad que incorpora directamente las condiciones
meteorológicas registradas durante los dos meses previos al fallo. El modelo usa
dos procesos estadísticos separados, uno genera los sucesos de fallos, así como
ceros ocasionales mientras que el otro genera los ceros estructurales necesarios para
los algoritmos de cálculo. Los posibles efectos no observados (heterogeneidad) en el parque eólico se tienen en cuenta de forma adicional. Para evitar problemas de
‘over-fitting’ y multicolinearidades, se utilizan sofisticadas técnicas de regularización.
Finalmente, la capacidad del modelo se verifica usando datos históricos de fallos
y lecturas meteorológicas obtenidas en los mástiles meteorológicos de los parques
eólicos.
En la última tarea se han desarrollado algoritmos de predicción basados en
condiciones meteorológicas y en datos operacionales y de vibraciones. Se ha
‘entrenado’ una red de Bayes, para predecir los fallos de componentes en un
parque eólico, basada fundamentalmente en las condiciones meteorológicas del
emplazamiento. Posteriormente, se introduce una metodología para fusionar datos
de vibraciones obtenidos del CMS con datos obtenidos del sistema SCADA, con
el objetivo de analizar las relaciones entre ambas fuentes. Estos datos se han
utilizado para la predicción de fallos en el eje principal utilizando varios algoritmos
de inteligencia artificial, ‘random forests’, ‘gradient boosting machines’, modelos
generalizados lineales y redes neuronales artificiales. Además, se ha desarrollado
una herramienta para la evaluación on-line de los datos de vibraciones (CMS)
denominada DAVE (‘Distance Based Automated Vibration Evaluation’).
Los resultados de esta tesis demuestran que el comportamiento de los fallos de
los componentes de aerogeneradores está altamente influenciado por las condiciones
meteorológicas del emplazamiento. El entorno de aprendizaje basado en datos es
capaz de identificar las condiciones generales y temporales específicas previas a
los fallos de componentes. Además, se ha demostrado que, con los modelos de
fiabilidad y algoritmos de detección propuestos, la Operación y Mantenimiento de
las turbinas eólicas puede mejorarse significativamente. Estos modelos de fiabilidad
y de detección de fallos son los primeros que proporcionan una representación
realística y específica del emplazamiento, al considerar combinaciones complejas
de las condiciones ambientales, así como indicadores operacionales y de estado
de operación obtenidos a partir de la fusión de datos de vibraciones CMS y datos
del SCADA. Por tanto, este trabajo proporciona entornos prácticos, modelos y
algoritmos que se podrán aplicar en el campo del mantenimiento predictivo de
turbinas eólicas.


Resumen (otro idioma): 

Pal. clave: inteligencia artificial ; energia ica ; fiabilidad de sistemas

Departamento:

Nota: Presentado: 03 07 2018
Nota: Tesis-Univ. Zaragoza, , 2018



 Registro creado el 2018-10-04, última modificación el 2018-10-04


Texto completo:
Descargar el texto completo
PDF

Valore este documento:

Rate this document:
1
2
3
 
(Sin ninguna reseña)