Prognoser for vindmøller - Wind turbine prognostics
Den voksende efterspørgsel efter vedvarende energi har resulteret i global adoption og hurtig udvidelse af vindmølle- teknologi. Vindmøller er typisk designet til at nå en 20-årig levetid, men på grund af den komplekse belastning og det miljø, hvori de driver vindmøller, fungerer sjældent i den alder uden væsentlige reparationer og omfattende vedligeholdelse i denne periode. For at forbedre styringen af vindmølleparker er der et stigende skridt mod forebyggende vedligeholdelse i modsætning til planlagt og reaktiv vedligeholdelse for at reducere nedetid og tabt produktion. Dette opnås ved brug af prognostiske overvågnings- / styringssystemer.
Typisk vindmøllearkitektur består af en række komplekse systemer såsom flertrins planetgearkasser , hydrauliske systemer og en række andre elektromekaniske drev. På grund af omfanget af nogle mekaniske systemer og afstanden til nogle lokaliteter kan reparationer af vindmøller være uoverkommeligt dyre og vanskelige at koordinere, hvilket resulterer i lange perioder med nedetid og tabt produktion.
Da typisk vindmøllekapacitet forventes at nå over 15MW i de kommende år kombineret med utilgængelighed af havmølleparker, forventes den brugsprognostiske metode at blive endnu mere udbredt i branchen.
Vindmølleprognoser kaldes også Asset Health Management, Condition Monitoring eller Condition Management.
Historie
Tidlige små vindmøller var relativt enkle og typisk udstyret med minimal instrumentering, der kræves for at kontrollere møllen. Der var lidt designfokus på at sikre langvarig drift af den relativt infantile teknologi. De væsentligste fejl, der resulterer i nedetid for turbinen, er typisk relateret til drivtog eller pitchsystem.
Der har været en hurtig udvikling af vindmølleteknologi. Da vindmøller er vokset i kapacitet, kompleksitet og omkostninger, har der været betydelige forbedringer i den sofistikerede instrumentering, der er installeret på vindmøller, hvilket har muliggjort mere effektive prognostiske systemer på nyere vindmøller. Som svar har der været en voksende tendens med retro-montering af lignende systemer på eksisterende vindmøller for effektivt at styre aldrende aktiver.
Prognostiske metoder, der muliggør forebyggende vedligeholdelse, har været almindelige steder i nogle brancher i årtier som f.eks. Rumfartsindustrien og andre industrielle anvendelser. Da omkostningerne til reparation af vindmøller er steget, efterhånden som designene er blevet mere komplekse, forventes det, at vindmølleindustrien vil vedtage en række prognostiske metoder og økonomiske modeller fra disse industrier, sådan en time-for-time tilgang for at sikre tilgængelighed.
Datafangst
Metoderne til vindmølleprognostikker kan bredt grupperes i to kategorier:
- SCADA- baseret
- Vibrationsbaseret
De fleste vindmøller er udstyret med en række instrumenter fra producenten. Dette er dog typisk begrænset til parametre, der kræves til turbindrift, miljøforhold og drivtemperaturer . Denne SCADA-baserede tilgang til vindmølleprognoser er den mest økonomiske tilgang til mere rudimentære vindmølledesign.
For mere komplekse designs med komplekse driv-tog- og smøresystemer har en række undersøgelser vist værdien af vibrationsovervågning og prognoser for olieovervågning. Disse er nu bredt kommercielt tilgængelige.
Dataanalyse
Når data er indsamlet af indbyggede dataindsamlingssystemer , behandles dette typisk og kommunikeres til jordbaseret eller skybaseret datalagringssystem.
Rå parametre og afledte sundhedsindikatorer tendens typisk over tid. På grund af karakteren af driv-togfejl analyseres disse typisk i frekvensdomænet for at diagnosticere fejl.
GHE kan genereres fra et SCADA- vindmøllesystem (Supervisory Control and Data Acquisition) ved at fortolke vindmøllens ydeevne som dets evne til at generere strøm under dynamiske miljøforhold. Vindhastighed, vindretning, stigningsvinkel og andre parametre vælges først som input. Derefter bruges to nøgleparametre til karakterisering af vindkraftproduktion, vindhastighed og faktisk effekt, opsamlet mens turbinen er kendt for at arbejde under nominel sund tilstand, til at etablere en basismodel. Når realtidsdata ankommer, bruges de samme parametre til at modellere den aktuelle ydeevne. GHE opnås ved at beregne afstanden mellem de nye data og dens baseline-model.
Ved at udvikle GHE over tid kan forudsigelse af ydeevne foretages, når enhedsindtægter falder under en forudbestemt break-even-tærskel. Vedligeholdelse skal udløses og rettes til komponenter med lave LDE-værdier. LDE beregnes baseret på målinger fra tilstandsovervågningssystem (CMS) og SCADA og bruges til at lokalisere og diagnosticere begyndende svigt på komponentniveau.
Maskinindlæring bruges også ved at indsamle og analysere store mængder data såsom vibrationer, temperatur, kraft og andre fra tusinder af vindmøller flere gange i sekundet for at forudsige og forhindre fejl.
