Suche
Close this search box.
Suche
Close this search box.

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 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. 

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:

 

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.

The R2 value ranges from 0 to 1 and shows the goodness of fit of the model 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

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:

Source: https://iopscience.iop.org/article/10.1088/1742-6596/926/1/012012/pdf

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. 

Source: https://iopscience.iop.org/article/10.1088/1742-6596/926/1/012012/pdf

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.
4.5 2 votes
Article Rating
Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
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

Book A DEMO

 

How can our predictive maintenance and asset optimisation platform do to make your day-to-day activities easier?

 

With ANNEA’s domain knowledge in the renewable industry, engineering expertise, and predictive maintenance modelling techniques, we reduce operational costs while driving performance improvements, increasing energy production.

 

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

 

Submit and our team will get in touch with you to schedule a platform demonstration.