Modellierung von Windturbinenausfällen basierend auf Wetterbedingungen

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 verfolgen wir einen neuartigen Ansatz zur Modellierung von Windkraftanlagenausfällen auf der Grundlage der Umweltbedingungen, denen sie ausgesetzt sind. Die Berücksichtigung der Umweltbedingungen, die mit größerer Wahrscheinlichkeit zu Komponentenausfällen führen, könnte die Modelle für die vorausschauende Wartung erheblich verbessern.

 

Es ist erwiesen, dass nicht nur das Alter der Turbine, sondern auch bestimmte Kombinationen von Wetterbedingungen ihre Lebensdauer negativ beeinflussen können. Während der Nutzungsdauer ist die Annahme konstanter Ausfallraten nicht immer zutreffend, vor allem wenn man kürzere Zeitintervalle betrachtet, wie z. B. die monatlichen Ausfallereignisse. Es gibt erhebliche Schwankungen der Ausfallraten im Jahresverlauf, die von den Windparkbetreibern berücksichtigt werden müssen. Auf diese Weise können sie auf bevorstehende Ausfälle angemessen reagieren, indem sie vorbeugende oder opportunistische Wartungsmaßnahmen einleiten.

Die industrielle Forschung hat gezeigt, dass das Ausfallverhalten von Windenergieanlagen und ihren Komponenten stark von den meteorologischen Bedingungen beeinflusst wird, denen die Anlagen ausgesetzt sind. Dennoch wurden bisher keine Modelle entwickelt, die das Ausfallverhalten von Windenergieanlagen auf der Grundlage von Kombinationen externer Kovariaten direkt beschreiben.

In diesem Artikel wird ein neuartiger Ansatz zur Modellierung der Ausfälle von Windenergieanlagen während der Nutzungsdauer unter Einbeziehung der Auswirkungen der Umweltbedingungen beschrieben. Das Modell wurde auf einen 2-MW-Fallstudien-Windpark angewandt, wobei die Ausfälle des gesamten Turbinensystems sowie der vier Hauptkomponenten modelliert wurden (Ausfälle sind definiert als Ereignisse, die mit dem Ausfall einer Komponente in Verbindung gebracht werden können, was zum Stillstand einer Windturbine führt und ein Eingreifen wie Austausch oder Reparatur erforderlich macht).

Ein Regressionsmodell auf der Grundlage eines verallgemeinerten linearen Modells (GLM) wird auf die Daten angewandt. Das Modell wird mit einer Poisson-Antwortverteilung und einer logarithmischen Verknüpfungsfunktion erstellt. Anschließend wird eine Ridge-Regression zur Schätzung der Modellparameter verwendet.

Das Modell wird auf eine Fallstudie mit 30 Turbinen in einem Windpark in Spanien angewandt. Bei den Windturbinen handelt es sich um dreiflügelige, pitch-geregelte Getriebemaschinen mit einer Nennleistung von je 2 MW. Der Datensatz besteht aus Störungslogbüchern, SCADA- und Meteorologieturmdaten (Met-Mast), die während der dreijährigen Betriebsphase gesammelt wurden. Zu den Modellkovariaten gehören die monatliche durchschnittliche Windgeschwindigkeit (WS) und Turbulenzintensität (TI) sowie die monatliche maximale Windgeschwindigkeit (MaxWS), die in 45 Metern Höhe am Messmast des Windparks gemessen wurde. Außerdem werden die monatlichen Durchschnittswerte der relativen Luftfeuchtigkeit (RH), des Niederschlags (Rain) und der Umgebungstemperatur (Temp) von einer nahe gelegenen Wetterstation erfasst. Zusätzlich wurde als Indikator für die Zeit der vollen Auslastung der monatliche Mittelwert der Stromerzeugung (PWR) aus den SCADA-Systemen der Turbinen, geteilt durch die Nennleistung, gewählt.

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 einem ersten Schritt wird das Modell auf die gesamte Datenbasis angewendet, ohne weiter zwischen den ausgefallenen Komponenten zu unterscheiden. Anschließend werden die Ausfalldaten der vier Hauptkomponenten - Getriebe, Generator, Pitch- und Giersystem - aus demselben Satz extrahiert und das Modell erneut angewandt. Um die Bedeutung der einzelnen Eingangsgrößen zu analysieren, werden die standardisierten Modellkoeffizienten verglichen. Dies wird üblicherweise gemacht, um zu interpretieren, welche der Kovariablen am meisten zur Modellierung des Outputs beiträgt, und hilft zu erkennen, welche Wetterbedingungen für die Modellierung der Ausfälle wichtig sind.
Eine Zusammenfassung der Modellleistungskennzahlen für die fünf verschiedenen Fälle ist in der folgenden Tabelle dargestellt:

Referenz der Tabelle: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

Der R2-Wert reicht von 0 bis 1 und zeigt an, wie gut das Modell an die Daten angepasst ist, wobei 1 die beste Anpassung bedeutet. Es ist zu erkennen, dass das Modell im Allgemeinen für alle fünf Fehlerklassen gut funktioniert. Die Modelle für den Generator und das Pitchsystem wiesen jedoch ein niedrigeres R2 und höhere Fehlerwerte auf als die anderen Modelle. Dies deutet darauf hin, dass für diese beiden Komponenten zusätzliche Kovariaten, die nicht in das Modell aufgenommen wurden, von Bedeutung sein könnten. Dies wird in weiteren Studien untersucht werden. 
 
Die nachstehende Abbildung zeigt die ursprünglichen Ausfälle (schwarz) und die modellierten Daten (grün) für Ausfälle von Windenergieanlagen ohne Unterscheidung zwischen ihren Komponenten.

Abbildung Referenz: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

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:

Abbildung Referenz: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

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. 

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. 

Abbildung Referenz: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

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. 

Abbildung Referenz: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

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

Für das Modell des Pitchsystems (Abbildung 4) sind niedrige Temperaturen und hohe monatliche Höchstwindgeschwindigkeiten von Bedeutung. Darüber hinaus spielen eine hohe relative Luftfeuchtigkeit und eine hohe Turbulenzintensität bei der Modellierung der Ausfälle des Pitchsystems eine Rolle. Dies sind die Bedingungen, bei denen das Pitchsystem am meisten aktiv ist, um die Rotordrehzahl zu regulieren, und somit höheren Belastungen und möglichen Schäden ausgesetzt ist. 

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. 

Abbildung Referenz: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012). Sehen Sie sich den Artikel online. für Updates und Erweiterungen.

Die Modellierung der Anzahl von Getriebeausfällen wird vor allem durch hohe Windgeschwindigkeiten beeinflusst, wie in Abbildung 6 dargestellt. Bei höheren mittleren Windgeschwindigkeiten nimmt die Belastung des Getriebes zu und die Wahrscheinlichkeit eines Ausfalls steigt. 

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.

Dies ist eine Zusammenfassung des Originalartikels: "Modelling Wind Turbine Failures based on Weather Conditions" von Maik Reder und Julio J. Melero (2017 J. Phys.: Conf. Ser. 926 012012).

Sehen Sie sich den Artikel online. für Updates und Erweiterungen.
4 1 vote
Article Rating
Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments

Kontaktieren Sie uns

Email: info@annea.ai
Telefon: +49 40 22866260

Folgen Sie uns

Produkte

ANNEA Failure Prediction

ANNEA Underperformance Detection 

ANNEA Energy Production Forecasting

ANNEA (Drone) Image Recognition

ANNEA Maintenance Planner

ANNEA Monitoring (upcoming)

© 2022 annea.ai GmbH, Alle Rechte vorbehalten.

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

de_DEDeutsch