It has been proven that not only the turbine age, but also certain combinations of weather conditions can affect their life-time negatively. During the useful life-time, the assumption of constant failure rates does not always hold true, especially when considering shorter time-intervals such as the failure occurrences on a monthly basis. There are significant variations in failure rates throughout the year that need to be taken into account by the wind farm operators. With this they can react properly to upcoming failure by initiating preventive or opportunistic maintenance actions.
The industrial research has proved that the failure behaviour of wind turbines and their components is strongly influenced by the meteorological conditions the systems are exposed to. Nonetheless, no models have been developed yet to directly describe the wind turbine’s failure behaviour based on combinations of external covariates.
In this article we describe a novel approach to model the failures of wind turbines during the useful life including the effect of environmental conditions. The model was applied to a 2 MW case study wind farm and the failures of the whole turbine system, as well as four main components. Failures are defined as events that can be associated to a component breakdown, which causes a wind turbine’s stop and needs intervention such as replacement or repair.
A regression model based on a generalised linear model (GLM) is applied to the data. The model is set up with a Poisson response distribution and a logarithmic link function. Subsequently, a ridge regression is employed to estimate the model parameters.
The model is applied to a case study including 30 turbines located in a wind farm in Spain. The wind turbines are geared, three bladed and pitch-regulated machines, with a rated capacity of 2MW each. The data set consists of failure logbooks, SCADA and meteorological tower (met-mast) data collected during three years of operation. The model covariates include the monthly average wind speed (WS) and turbulence intensity (TI), and the monthly maximum wind speed (MaxWs), measured at a height of 45 meters at the wind farm met-mast. Also included are the monthly mean relative humidity (RH), precipitation (Rain) and ambient temperature (Temp) taken from closely located weather stations. Additionally, as an indicator for the time operating at full capacity, the monthly mean power production (PWR) taken from the turbines SCADA systems divided by the rated capacity was chosen.
Zu Beginn der Datenerhebung waren die Turbinen fünf Jahre alt. Es wird ein durchschnittliches Windparkjahr modelliert, wobei der Beobachtungszeitraum mittels einer Expositionsvariablen, dem sogenannten Modell-Offset, in das Modell eingeführt wird. Somit kann das Modellergebnis als die Ausfallrate in einem durchschnittlichen Betriebsjahr betrachtet werden.
In a first step the model is applied to the whole data base, without further distinguishing between the failed components. Subsequently, the failure data of four main components: the gearbox, generator, pitch and yaw system are extracted from the same set and the model is applied again. To analyse the importance of each input variable, the standardised model coefficients are compared. This is commonly done to interpret which of the covariates contributes the most to modelling the output and helps to see which weather conditions are important for modelling failures.
Eine Zusammenfassung der Modellleistungskennzahlen für die fünf verschiedenen Fälle ist in der folgenden Tabelle dargestellt:
Die nachstehende Abbildung zeigt die ursprünglichen Ausfälle (schwarz) und die modellierten Daten (grün) für Ausfälle von Windenergieanlagen ohne Unterscheidung zwischen ihren Komponenten.
Die Abbildungen 3 bis 7 zeigen die standardisierten Koeffizientengrößen. Positive Koeffizienten (blau) deuten darauf hin, dass mit steigenden Kovariaten auch der Output steigt, während negative Koeffizienten (orange) jeweils das gegenteilige Verhalten beschreiben. Da die Eingangsdaten zentriert und skaliert wurden, können diese Koeffizienten als der Einfluss jeder Modellkovariate auf die abhängige Variable interpretiert werden. Zur leichteren Interpretation zeigen die Diagramme die Größenordnungen als Anteil des wichtigsten Regressors, der auf 1 skaliert ist.
For the pitch system model (Figure 4) low temperatures and high monthly maximum wind speeds are significant. In addition to that, high relative humidity and turbulence intensity play a role when modelling the pitch system failures. These are the conditions, where the pitch system is mostly active in order to regulate the rotor speed and thus is subject to higher stresses and possible damages.
Abbildung 5 zeigt die standardisierten Koeffizientengrößen für Giersystemausfälle. Die Unterschiede zwischen den Koeffizientengrößen sind nicht so groß wie bei den anderen Komponenten der Windkraftanlage. In diesem Modell scheinen viele meteorologische Faktoren eine Rolle zu spielen. Es ist eine deutliche Unterperformance der Anlage zu erkennen, da steigende Windgeschwindigkeiten und sinkende DWR-Werte zu einer erhöhten Anzahl von Ausfällen des Giersystems führen. Dies legt die Vermutung nahe, dass trotz der höheren mittleren Windgeschwindigkeiten die Windrichtung häufig wechselte und das Giersystem ständig auf der Suche nach der besten Windrichtung sein musste. Somit führte eine mögliche Gierfehlstellung zu höherem Verschleiß und Minderleistung. Dies sollte jedoch durch Einbeziehung der Windrichtung in weiteren Studien genauer untersucht werden.
Das Ausfallmodell des Generators (Abbildung 7) wird hauptsächlich durch die zunehmende Turbulenzintensität und die Leistungsabgabe beeinflusst. Erhöhte TI führt zu einer höheren Belastung des Generators, der sich an diese variierenden Eingangsgeschwindigkeiten anpassen muss. Positive Koeffizienten für die Variablen DWR und WS zeigen an, dass vor den Ausfällen keine Minderleistung zu verzeichnen war. Außerdem besagt er, dass bei höherer Stromerzeugung die Wahrscheinlichkeit eines Ausfalls der Generatoren steigt. Generatorenausfälle treten in der Regel aufgrund plötzlicher Änderungen der Turbulenzintensität und stark schwankender Windbedingungen abrupt auf. Außerdem spielt die Niederschlagsmenge eine wichtige Rolle, da das Eindringen von Wasser die elektronischen Geräte stark beeinträchtigt.
Die hier vorgestellten Modelle dienen also dazu, zu ermitteln, welche Umweltparameter das Ausfallverhalten bestimmter Komponenten von Windkraftanlagen beeinflussen. Diese Informationen können dazu beitragen, Ausfälle zu antizipieren und die Modelle zur vorausschauenden Wartung deutlich zu verbessern.
Sehen Sie sich den Artikel online. für Updates und Erweiterungen.
No Comments