Suche
Close this search box.

Which Weather Conditions Are More Likely To Cause Turbine Failures?

Ausfallmodelle für Windkraftanlagen können dazu beitragen, die Abbauprozesse der Komponenten zu verstehen und die Betreiber in die Lage versetzen, bevorstehende Ausfälle vorherzusehen. Normalerweise basieren diese Modelle auf dem Alter der Systeme oder Komponenten. Unsere Forschung zeigt jedoch, dass auch die Wetterbedingungen vor Ort das Ausfallverhalten der Turbine erheblich beeinflussen. Bei ANNEA we follow a novel approach for modelling wind turbine failures based on the environmental conditions to which they are exposed to. Taking into account the environmental conditions that are more likely to provoke component failures. This could enhance predictive maintenance models significantly.

How have previous studies contributed towards answering this question?

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.

Data collection

The model uses 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.

Model used

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.

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.

Performance metrics and performance

Eine Zusammenfassung der Modellleistungskennzahlen für die fünf verschiedenen Fälle ist in der folgenden Tabelle dargestellt:

Table reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.
 

The R2 value

The R2 value ranges from 0 to 1 and shows how well the model fits to the data, where 1 indicates the best fit. It can be seen that in general the model performs well for all five failure classes. The models for the generator and pitch system, however, showed lower R2 and higher error values than the other ones. This indicates that for these two components additional covariates, which were not included in the model, could be of importance. This will be assessed in further studies.

Die nachstehende Abbildung zeigt die ursprünglichen Ausfälle (schwarz) und die modellierten Daten (grün) für Ausfälle von Windenergieanlagen ohne Unterscheidung zwischen ihren Komponenten.

Source: https://iopscience.iop.org/article/10.1088/1742-6596/926/1/012012/pdf
Figure reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.
 

Die Werte sind aus Gründen der Vertraulichkeit auf die maximale Anzahl von Ausfällen normiert. Als Beispiel für eine separat modellierte Windturbinenkomponente zeigt Abbildung 2 die ursprünglichen und modellierten Daten für Ausfälle des Giersystems:

Source: https://iopscience.iop.org/article/10.1088/1742-6596/926/1/012012/pdf
Figure reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.
 

Es zeigt sich, dass in beiden Fällen die meisten Ausfälle im zweiten bis vierten Monat des Jahres zu verzeichnen sind. Dies steht im Einklang mit früheren Untersuchungen, wonach Ausfälle hauptsächlich in den Wintermonaten und/oder in den Übergangszeiten zwischen den Jahreszeiten auftreten.

Which variables had the biggest effect?

Figures 3 to 7 show the standardised coefficient magnitudes. Positive coefficients (blue) indicate that with increasing covariates the output increases as well, while negative coefficients (orange) respectively describe the opposite behaviour. As the input data was centred and scaled, these coefficients can be interpreted as the influence of every model covariate on the dependent variable. For an easier interpretation the plots show the magnitudes as fraction of the most important regressor, which is scaled to 1.

Source: https://iopscience.iop.org/article/10.1088/1742-6596/926/1/012012/pdf
Figure reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.
 

Wie in Abbildung 3 zu sehen ist, haben die Eingangsparameter TI, Temp und WS die größte Bedeutung für die Modellierung der Daten einschließlich der Ausfälle von Komponenten der Windkraftanlagen. Eine hohe mittlere monatliche Turbulenzintensität, eine hohe mittlere Windgeschwindigkeit und niedrige Temperaturen spielen eine wichtige Rolle. Dies stimmt mit früheren Studien überein, in denen festgestellt wurde, dass höhere mittlere Windgeschwindigkeiten und niedrige Temperaturen mit einer höheren Anzahl von Ausfällen von Windenergieanlagen korreliert werden können. Niedrige DWR-Werte scheinen das Ausfallverhalten ebenfalls zu beeinflussen, allerdings nicht sehr dominant. Da die Wirkleistung in der Regel positiv mit der Windgeschwindigkeit korreliert ist und positive Koeffizientenwerte für die Windgeschwindigkeit und negative für die DWR-Variable aufweist, könnte dies widersprüchlich erscheinen. Unter fehlerhaften Bedingungen liegt die Leistung der Windenergieanlage jedoch häufig unter der erwarteten Kapazität, und eine unzureichende Leistung kann als Indikator für Komponentenausfälle angesehen werden.

Figure reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.
 

The specific effects weather conditions had on components

Die verschiedenen Komponenten reagieren unterschiedlich auf bestimmte Kombinationen von Umweltbedingungen. Daher sollten diese getrennt analysiert werden, um aussagekräftigere Ergebnisse zu erhalten.

Pitch system

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. Thus it is subject to higher stresses and possible damages.

Yaw system

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.

Figure reference: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). View the article online for updates and enhancements.

Gearbox

Modelling the number of gearbox failures is influenced mostly by high wind speeds, as displayed in Figure 6. As the mean wind speeds increase, the load on the gearbox also increases and the component is more likely to fail.

Generator

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.

This is a summary of the original article: “Modelling Wind Turbine Failures based on Weather Conditions” by Maik Reder and Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012).

Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

 

No Comments

    On Key

    Related Posts

    Digital Twin Technology: Discover the potential

    Digital… is the word that dominates the life of almost everyone and in many ways. That is why it is more than just a buzz word. It is the true reality of the world we live in. But what is Digital Twin technology?

    Ein Hinweis für unsere Besucher

    Wir haben auch unsere Datenschutzrichtlinie aktualisiert, um Ihnen mehr Informationen über Ihre Rechte und Pflichten in Bezug auf Ihre Privatsphäre und persönlichen Daten zu geben. Bitte lesen Sie dies, um zu erfahren, welche Cookies wir verwenden und welche Informationen wir auf unserer Website sammeln. Wenn Sie diese Website weiter nutzen, erklären Sie sich mit unserer aktualisierten Datenschutzrichtlinie einverstanden.

    Klicken Sie hier, um unsere aktualisierte Datenschutzerklärung einzusehen

    Book A DEMO

    Wie kann unsere Plattform für vorausschauende Wartung und Anlagenoptimierung Ihren Arbeitsalltag erleichtern?

    Mit dem Fachwissen von ANNEA in der Branche der erneuerbaren Energien, dem technischen Know-how und den Modellierungstechniken für die vorausschauende Wartung senken wir die Betriebskosten, während wir gleichzeitig die Leistung verbessern und die Energieproduktion steigern.

    Senden Sie uns Ihre Anfrage und unser Team wird sich mit Ihnen in Verbindung setzen, um eine Plattformdemonstration zu vereinbaren.

    Book A DEMO

    Wie kann unsere Plattform für vorausschauende Wartung und Anlagenoptimierung Ihren Arbeitsalltag erleichtern?

    Mit dem Fachwissen von ANNEA in der Branche der erneuerbaren Energien, dem technischen Know-how und den Modellierungstechniken für die vorausschauende Wartung senken wir die Betriebskosten, während wir gleichzeitig die Leistung verbessern und die Energieproduktion steigern.

    – No extra hardware required
    – Using only 10-min SCADA Data
    – Brand agnostic
    – All-in-one Platform

    Senden Sie uns Ihre Anfrage und unser Team wird sich mit Ihnen in Verbindung setzen, um eine Plattformdemonstration zu vereinbaren.

    Want to join annea?

     

    Sind Sie an einer Mitarbeit in unserem Team interessiert? Wir sind immer auf der Suche nach talentierten Mitarbeitern, die mit Leidenschaft etwas im Bereich der erneuerbaren Energien bewirken wollen.

    Wenn Sie glauben, dass Sie das Zeug dazu haben, zu unseren innovativen Projekten beizutragen und positive Veränderungen voranzutreiben, würden wir uns freuen, von Ihnen zu hören.

    Bitte füllen Sie das Formular aus, um Ihre Initiativbewerbung einzureichen. Lassen Sie uns zusammenarbeiten, um eine nachhaltige Zukunft zu schaffen!

    Want to ANNEA?

    Sind Sie an einer Mitarbeit in unserem Team interessiert? Wir sind immer auf der Suche nach talentierten Mitarbeitern, die mit Leidenschaft etwas im Bereich der erneuerbaren Energien bewirken wollen.

     Wenn Sie glauben, dass Sie das Zeug dazu haben, zu unseren innovativen Projekten beizutragen und positive Veränderungen voranzutreiben, würden wir uns freuen, von Ihnen zu hören.

    Please fill out the form below to submit your unsolicited application. Let’s work together to create a sustainable future!