BR112017001082B1 - Método e sistema de monitoramento da condição de turbina eólica - Google Patents
Método e sistema de monitoramento da condição de turbina eólica Download PDFInfo
- Publication number
- BR112017001082B1 BR112017001082B1 BR112017001082-8A BR112017001082A BR112017001082B1 BR 112017001082 B1 BR112017001082 B1 BR 112017001082B1 BR 112017001082 A BR112017001082 A BR 112017001082A BR 112017001082 B1 BR112017001082 B1 BR 112017001082B1
- Authority
- BR
- Brazil
- Prior art keywords
- wind turbine
- model
- data
- total
- individual
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- RLQJEEJISHYWON-UHFFFAOYSA-N flonicamid Chemical compound FC(F)(F)C1=CC=NC=C1C(=O)NCC#N RLQJEEJISHYWON-UHFFFAOYSA-N 0.000 title 1
- 230000002950 deficient Effects 0.000 claims abstract description 68
- 230000036541 health Effects 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 31
- 238000007418 data mining Methods 0.000 claims description 27
- 238000005065 mining Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 5
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
Abstract
Sistema e método de monitoramento da condição de turbina eólica. O método compreende as etapas de adquirir dados SCADA históricos e relatórios da turbina eólica que correspondem aos dados SCADA históricos, os dados SCADA históricos cobrindo os dados da operação da turbina eólica e os relatórios da turbina eólica cobrindo: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso e do componente defeituoso com detalhes de falha se a condição da saúde da turbina eólica for diagnosticada como de estado defeituoso; treinar o modelo: treinar um modelo total para o diagnóstico total da turbina eólica e treinar modelos individuais diferentes para analisar componentes da turbina eólica com base nos dados SCADA e no relatório da turbina eólica, ao estabelecer a relação entre os dados de SCADA e o relatório da turbina eólica; diagnosticar totalmente: adquirir dados SCADA em tempo real, inserir dados SCADA em tempo real no modelo total treinado, obter condição de saúde da turbina eólica a partir do modelo total treinado e executar a etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; diagnosticar individualmente: inserir os dados SCADA em tempo real no modelo individual (...).
Description
[001] O presente pedido de patente refere-se a um método e sistema de monitoramento da condição de turbina eólica.
[002] A força do vento transformou-se na energia renovável mais popular que promete deslocar a geração de energia térmica poluente tradicional devido aos recursos ricos, à tecnologia madura e à emissão igual a zero. A instalação global de turbinas eólicas tinha alcançado 318 GW no final do ano 2013. Com o rápido aumento rápido das fazendas eólicas, o custo de O&M (operação e manutenção) caro e a perda da venda de eletricidade no tempo inativo se tornam questões cada vez mais prementes. Ao tomar uma turbina eólica de 2 MW como exemplo, tal como avaliado pela tese de mestrado de KTH, cerca de 248,4 kUSD de custo anual aumentam, incluindo o custo de O&M de 242,7 kUSD e a perda de venda de eletricidade de 5,7 kUSD.
[003] Sob tal ambiente, é desejável pelo mercado que seja desenvolvido um tipo de produto do sistema de monitoramento de condições (CMS) que possa detectar em tempo real os defeitos da turbina eólica, analisar o tipo de falha, e posiciona a peça com defeito, antes que a turbina eólica evolua até a falha real. Agora todos os produtos disponíveis no mercado com tal funcionalidade são baseados em sensores adicionais, por exemplo, de vibração, acústico, etc. Esses sensores intrusivos não somente aumentam bastante o custo de capital, mas também acarretam a recertificação das turbinas eólicas, que são ambos indesejáveis para operadores de fazendas eólicas.
[004] Por conseguinte, um aspecto da presente invenção provê um método de monitoramento da condição de turbina eólica, o qual compreende as etapas a seguir: etapa de aquisição de dados históricos: aquisição de dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: condição de saúde da turbina eólica diagnosticada como em estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; etapa de treinamento de modelo: treinamento de um modelo total para o diagnóstico total da turbina eólica, e treinamento de modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer a relação entre os dados SCADA e o relatório da turbina eólica; etapa de diagnóstico total: aquisição de dados SCADA em tempo real, inserção dos dados SCADA em tempo real no modelo total treinado, obtenção da condição de saúde da turbina eólica a partir do modelo total treinado, e execução da etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como em estado defeituoso; etapa de diagnóstico individual: inserção dos dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obtenção dos detalhes da falha do componente defeituoso do modelo individual treinado que corresponde ao componente defeituoso.
[005] De preferência, a etapa de aquisição de dados históricos compreende: a aquisição dos dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; verificação do relatório da turbina eólica para identificar qual a seção de dados dos dados SCADA históricos que é de estado normal e qual a seção de dados dos dados SCADA históricos que é de estado defeituoso.
[006] De preferência, a etapa de treinamento de modelo compreende: a seleção do algoritmo de garimpo de dados totais; o treinamento de um modelo total para o diagnóstico total da turbina eólica com o algoritmo de garimpo dos dados totais para estabelecer a relação entre a entrada e a saída do modelo total, em que a entrada do modelo total consiste nos dados SCADA históricos, a saída do modelo treinado total é condição de saúde da turbina eólica que inclui o estado normal e defeituoso, e do componente defeituoso se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; a seleção de algoritmos de garimpo dos dados individuais para componentes diferentes da turbina eólica; o treinamento de modelos individuais diferentes para analisar componentes diferentes da turbina eólica com os algoritmos de garimpo correspondentes dos dados individuais para estabelecer a relação entre a entrada e a saída do modelo individual, em que a entrada de cada modelo individual consiste nos dados SCADA históricos, e a saída de cada modelo individual consiste nos detalhes da falha para o componente individual que corresponde ao modelo individual se o componente individual que corresponde ao modelo individual for o componente defeituoso.
[007] Convenientemente, a etapa de treinamento de modelo compreende: a verificação da eficácia do modelo total e de modelos individuais ao usar os dados SCADA históricos.
[008] Convenientemente, a etapa de diagnóstico total compreende: a aquisição de dados SCADA em tempo real; a inserção dos dados SCADA em tempo real no modelo total treinado; a operação do modelo total treinado para implementar o algoritmo de garimpo dos dados totais; a obtenção da condição de saúde da turbina eólica a partir do modelo total treinado; a execução da etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso.
[009] Convenientemente, a etapa de diagnóstico individual compreende: a seleção do modelo individual treinado que corresponde ao componente defeituoso como modelo defeituoso treinado; a inserção dos dados SCADA em tempo real no modelo defeituoso treinado; a operação do modelo defeituoso treinado para implementar o algoritmo de garimpo correspondente dos dados individuais; a obtenção dos detalhes da falha do componente defeituoso a partir do modelo defeituoso treinado.
[0010] Um outro aspecto da presente invenção provê um programa de computador que compreende o código do programa de computador adaptado para executar todas as etapas de qualquer um dos itens acima quando rodado em um computador.
[0011] Um aspecto adicional da presente invenção provê um programa de computador de acordo com os itens acima, incorporado em um meio que pode ser lido por computador.
[0012] Um outro aspecto da presente invenção provê um sistema de monitoramento da condição da turbina eólica, o qual compreende os módulos a seguir: um módulo de aquisição de dados históricos, usado para adquirir os dados SCADA históricos, e os relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; um módulo de treinamento de modelo, usado para treinar um modelo total para o diagnóstico total da turbina eólica, e treinar modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer a relação entre os dados SCADA históricos e o relatório da turbina; um módulo de diagnóstico total, usado para adquirir os dados SCADA em tempo real, inserir os dados SCADA em tempo real no modelo total treinado, obter a condição de saúde da turbina eólica a partir do modelo total treinado, e executar o módulo de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; um módulo de diagnóstico individual, usado para inserir os dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obter os detalhes de falha do componente defeituoso do modelo individual treinado que corresponde ao componente defeituoso.
[0013] De preferência, o módulo de aquisição de dados históricos compreende: um módulo usado para adquirir os dados SCADA históricos, e os relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; um módulo usado para verificar o relatório da turbina eólica para identificar qual a seção de dados dos dados SCADA históricos que é de estado normal e qual a seção de dados dos dados SCADA históricos que é de estado defeituoso.
[0014] De preferência, o módulo de treinamento de modelo compreende: um módulo usado para selecionar o algoritmo de garimpo dos dados totais; um módulo usado para treinar um modelo total para o diagnóstico total da turbina eólica com o algoritmo de garimpo dos dados totais para estabelecer a relação entre a entrada e a saída do modelo total, em que a entrada do modelo total consiste nos dados SCADA históricos, a saída do modelo treinado total é condição de saúde da turbina eólica que inclui o estado normal e defeituoso, e do componente defeituoso se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; um módulo usado para selecionar os algoritmos de garimpo dos dados individuais para componentes diferentes da turbina eólica; um módulo usado treinar para modelos individuais diferentes para analisar componentes diferentes da turbina eólica com os algoritmos de garimpo correspondentes dos dados individuais para estabelecer a relação entre a entrada e a saída do modelo individual, em que a entrada de cada modelo individual consiste nos dados SCADA históricos, e a saída de cada modelo individual consiste nos detalhes da falha para o componente individual que corresponde ao modelo individual se o componente individual que corresponde ao modelo individual for o componente defeituoso.
[0015] Convenientemente, o módulo de treinamento de modelo compreende: um módulo usado para verificar a eficácia do modelo total e de modelos individuais ao usar os dados SCADA históricos.
[0016] Convenientemente, o módulo de diagnóstico total compreende: um módulo usado para adquirir os dados SCADA em tempo real; um módulo usado para inserir os dados SCADA em tempo real no modelo total treinado; um módulo usado para operar o modelo total treinado para implementar o algoritmo de garimpo dos dados totais; um módulo usado para obter a condição de saúde da turbina eólica a partir do modelo total treinado; um módulo usado para executar o módulo de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso.
[0017] Convenientemente, o módulo de diagnóstico individual compreende: um módulo usado para selecionar o modelo individual treinado que corresponde ao componente defeituoso como modelo defeituoso treinado; um módulo usado para inserir os dados SCADA em tempo real no modelo defeituoso treinado; um módulo usado para operar o modelo defeituoso treinado para implementar o algoritmo de garimpo correspondente dos dados individuais; um módulo usado para obter os detalhes da falha do componente defeituoso a partir do modelo defeituoso treinado.
[0018] A presente invenção treinou o modelo total e os modelos totais individuais com os dados SCADA históricos e a informação da falha da turbina eólica correspondente e inseriu os dados SCADA em tempo real no modelo total treinado para o diagnóstico e os modelos individuais treinados para a análise. A presente invenção propõe um tipo de método e sistema de monitoramento da condição de turbina eólica de nível remoto econômico hierárquico baseado em dados SCADA. Com a solução, o operador da turbina eólica pode monitorar em tempo real a condição do equipamento, detectar falhas iniciais e providenciar as atividades de manutenção preditiva apropriadas com antecedência. Em comparação com a tecnologia baseada em sensor intrusivo tradicional, a presente invenção pode beneficiar o consumidor final (operador da turbina eólica) em termos de poupar a instalação de sensores de monitoramento adicionais devido à tecnologia baseada em dados SCADA pura e aceleração da eficiência da execução do algoritmo devido à estrutura de conceito hierárquico.
[0019] A Figura 1 mostra um fluxograma do processo que ilustra um método de monitoramento da condição da turbina eólica de acordo com a presente invenção;
[0020] a Figura 2 mostra um fluxograma do processo que ilustra a modalidade preferida da presente invenção;
[0021] a Figura 3 mostra um desenho estrutural do módulo de um sistema de monitoramento da condição da turbina eólica.
[0022] A seguir, a presente invenção também é introduzida em detalhes pelas modalidades particulares em combinação com as Figuras.
[0023] A Figura 1 mostra um fluxograma do processo que ilustra um método de monitoramento da condição da turbina eólica de acordo com a presente invenção, o qual inclui as etapas a seguir: etapa 101: aquisição de dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; etapa 102: treinamento de um modelo total para o diagnóstico total da turbina eólica, e treinamento de modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer a relação entre os dados SCADA históricos e o relatório da turbina eólica; etapa 103: aquisição de dados SCADA em tempo real, inserção dos dados SCADA em tempo real no modelo total treinado, obtenção da condição de saúde da turbina eólica a partir do modelo total treinado, e execução da etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; etapa 104: inserção dos dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obtenção dos detalhes da falha do componente defeituoso do modelo individual treinado que corresponde ao componente defeituoso.
[0024] Os dados SCADA são coletados do sistema de Controle Supervisor e Aquisição de Dados [Supervisory Control And Data Acquisition] (SCADA). O sistema SCADA é um sistema de monitoramento da automação de energia. Ele executa a coleta de dados, o controle do monitoramento e o controle do processo do sistema de energia.
[0025] A presente invenção treina respectivamente o modelo total e os modelos individuais na etapa 102 com os dados SCADA históricos e o relatório da turbina eólica correspondente adquirido na etapa 101. Após o treinamento, os modelos estabeleceram a relação entre os dados SCADA históricos e o relatório da turbina eólica. O modelo total e o modelo individual podem ter bons desempenhos de treinamento com os dados SCADA históricos e o relatório da turbina eólica correspondente. Uma vez que os dados SCADA incluem os dados de operação, os dados SCADA históricos podem refletir uma variedade de condições históricas das turbinas eólicas. E o relatório da turbina eólica inclui a condição de saúde da turbina eólica, do componente defeituoso e os detalhes de falha correspondentes. A condição de saúde inclui o estado normal e o estado defeituoso. O componente defeituoso e os detalhes de falha correspondentes estão envolvidos somente no relatório da turbina eólica quando a condição de saúde da turbina eólica é diagnosticada como de estado defeituoso. Nas etapas 103 e 104, os dados SCADA em tempo real são inseridos no modelo total treinado e nos modelos individuais. O modelo total treinado e o modelo individual podem obter detalhes precisos da condição de saúde e de falha a partir dos dados SCADA em tempo real, uma vez que os modelos foram treinados com os dados SCADA históricos e o relatório da turbina eólica correspondente e podem identificar o estado normal e estado defeituoso com base nos dados SCADA. A presente invenção usa os dados SCADA e o modelo de treinamento para monitorar a condição das turbinas eólicas, de modo que não é necessário instalar mais sensores adicionais em turbinas eólicas. Além disso, a estrutura de conceito hierárquico acelera a eficiência de processamento do controlador de turbinas eólicas.
[0026] Em uma modalidade, a etapa 101 compreende: a aquisição dos dados SCADA históricos e dos relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; a verificação do relatório da turbina eólica para identificar qual a seção de dados dos dados SCADA históricos que é de estado normal e qual a seção de dados dos dados SCADA históricos que é de estado defeituoso.
[0027] A divisão dos dados SCADA históricos em seção de estado normal e seção de estado defeituoso facilita para que o modelo total e os modelos individuais tenham uma condição de saúde correta e detalhes da falha.
[0028] Em uma modalidade, a etapa 102 compreende: a seleção do algoritmo de garimpo dos dados totais; o treinamento de um modelo total para o diagnóstico total da turbina eólica com o algoritmo de garimpo dos dados totais para estabelecer a relação entre a entrada e a saída do modelo total, em que a entrada do modelo total consiste nos dados SCADA históricos, a saída do modelo treinado total é a condição de saúde da turbina eólica que inclui o estado normal e defeituoso, e do componente defeituoso se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; a seleção de algoritmos de garimpo dos dados individuais para componentes diferentes da turbina eólica; o treinamento de modelos individuais diferentes para analisar componentes diferentes da turbina eólica com os algoritmos de garimpo correspondentes dos dados individuais para estabelecer a relação entre a entrada e a saída do modelo individual, em que a entrada de cada modelo individual consiste nos dados SCADA históricos, e a saída de cada modelo individual consiste nos detalhes da falha para o componente individual que corresponde ao modelo individual se o componente individual que corresponde ao modelo individual for o componente defeituoso.
[0029] O algoritmo de garimpo dos dados totais pode ser o mesmo ou diferente dos algoritmos de garimpo dos dados individuais. Os algoritmos incluem a rede neural, a máquina de vetor de suporte, a análise do componente principal, etc.
[0030] Ambas a característica do algoritmo individual e as características de dados coletados (por exemplo, a riqueza dos dados) devem ser consideradas durante a seleção do algoritmo. Para casos diferentes, o algoritmo selecionado pode ser diferente.
[0031] Com base nos dados SCADA históricos e no relatório da turbina eólica correspondente inseridos como amostra, ao treinar o modelo total com o algoritmo apropriado, o modelo pode estabelecer a relação entre os dados SCADA e o relatório da turbina eólica. Tal como a relação estabelecida no modelo, a inserção dos dados SCADA em tempo real no modelo total pode obter a condição de saúde como a saída. E além disso, uma vez que o relatório da turbina eólica inclui o componente defeituoso, então a inserção dos dados SCADA em tempo real no modelo total pode obter o componente defeituoso se a condição de saúde for diagnosticada como de estado defeituoso.
[0032] Ao generalizar o relatório da turbina eólica com os dados SCADA históricos para o componente defeituoso, o modelo individual distingue os detalhes de falha específica do componente defeituoso incluindo o tipo da falha, a localização de falha e a gravidade da falha. O modelo individual é treinado para estabelecer finalmente a relação entre os dados SCADA e os detalhes da falha do componente defeituoso.
[0033] Em uma modalidade, a etapa 102 compreende: a verificação da eficácia do modelo total e dos modelos individuais ao usar os dados SCADA históricos.
[0034] A eficácia pode ser a taxa de detecção. O modelo também pode ser otimizado mediante a verificação da eficácia.
[0035] Em uma modalidade, a etapa 103 compreende: a aquisição de dados SCADA em tempo real; a inserção dos dados SCADA em tempo real no modelo total treinado; a operação do modelo total treinado para implementar o algoritmo de garimpo dos dados totais; a obtenção da condição de saúde da turbina eólica a partir do modelo total treinado; a execução da etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso.
[0036] O algoritmo de garimpo dos dados totais implementado na etapa 103 pode ser o mesmo algoritmo selecionado na etapa 102 para assegurar a confiabilidade do modelo.
[0037] Em uma modalidade, a etapa 104 compreende: a seleção do modelo individual treinado que corresponde ao componente defeituoso como modelo defeituoso treinado; a inserção dos dados SCADA em tempo real no modelo defeituoso treinado; a operação do modelo defeituoso treinado para implementar o algoritmo de garimpo correspondente dos dados individuais; a obtenção dos detalhes da falha do componente defeituoso a partir do modelo defeituoso treinado.
[0038] O mesmo que na etapa 103, o algoritmo de garimpo dos dados individuais implementado na etapa 104 pode ser o mesmo algoritmo selecionado na etapa 102 para o componente defeituoso.
[0039] A Figura 2 mostra um fluxograma do processo que ilustra a modalidade preferida da presente invenção.
[0040] A Figura 2 compreende duas partes. O bloco do lado esquerdo representa o diagnóstico/prognóstico em tempo real; o bloco do lado direito representa o processo de treinamento de modelo ao usar os dados SCADA. Mais especificamente, todo o conceito pode ser implementado pelas etapas a seguir:
[0041] Os dados de operação de cobertura dos dados SCADA e do estado de cobertura do relatório da turbina eólica (normal e defeituoso) de turbinas eólicas típicas em fazendas eólicas típicas
[0042] Relatório da turbina eólica verificado que corresponde aos dados SCADA acima especificando qual a seção dos dados que é de estado normal e qual é de estado defeituoso.
[0043] Organização dos dados e da informação da falha no formato apropriado compatível para o processamento de dados seguinte
[0044] Observar que esta etapa deve ser realizada off-line e não on-line.
[0045] Seleção do algoritmo de garimpo dos dados apropriados para o treinamento de modelo, por exemplo, a rede neural, a máquina de vetor de suporte, a análise de componentes principais, etc. A seleção do algoritmo deve levar em consideração a característica do algoritmo individual e as características dos dados coletados (por exemplo, a riqueza dos dados). Para casos diferentes, o algoritmo selecionado pode ser diferente.
[0046] Ao usar o algoritmo de garimpo de dados selecionado (por exemplo, a rede neural) para treinar um modelo total aplicável para o diagnóstico e o prognóstico. A entrada do modelo total consiste nos dados SCADA históricos recém-chegados, e a saída é condição de saúde da turbina eólica alvo e cujo componente é defeituoso (se a turbina eólica for diagnosticada como defeituosa).
[0047] Ao usar o mesmo ou um outro algoritmo de garimpo dos dados, treinar modelos individuais diferentes aplicáveis para o diagnóstico e o prognóstico de componentes diferentes da turbina eólica. A entrada do modelo individual consiste nos dados SCAA históricos é recém-chegados, e a saída consiste em detalhes de falha específicos do componente defeituoso incluindo o tipo da falha, a localização de falha e a gravidade da falha.
[0048] Verificar a eficácia (por exemplo, a taxa de detecção) dos modelos treinados (o modelo total e os modelos individuais) que usam os dados históricos coletados.
[0049] Observar que esta etapa deve ser executada off-line e não on-line.
[0050] Inserir os dados SCADA recém-chegados em tempo real no modelo treinado.
[0051] Operar o modelo total para implementar o algoritmo embutido que foi selecionado para o modelo total.
[0052] Emitir o índice de saúde da turbina eólica detectada com informações incluindo se a turbina eólica é normal ou defeituosa e, se for defeituosa, qual o componente que é defeituoso.
[0053] Observar que esta etapa deve ser executada on-line.
[0054] Selecionar o modelo individual treinado daqueles prontos na etapa 2 que corresponde ao componente defeituoso identificado na etapa 3
[0055] Inserir os dados SCADA recém-chegados em tempo real no modelo individual treinado correspondente
[0056] Operar o modelo individual para implementar o algoritmo embutido que foi selecionado para o modelo individual correspondente
[0057] Emitir os detalhes de falha específica do componente defeituoso com informações incluindo a localização da falha, o tipo da falha e a gravidade da falha
[0058] Observar que esta etapa deve ser executada on-line.
[0059] O termo "on-line" refere-se ao monitoramento em tempo real on-line. O termo "off-line" refere-se ao treinamento de modelos offline.
[0060] A Figura 3 mostra um desenho de módulo estrutural de um sistema de monitoramento da condição de turbina eólica, o qual compreende os módulos a seguir: módulo de aquisição de dados históricos 301, usado para adquirir os dados SCADA históricos, e os relatórios da turbina eólica que correspondem aos dados SCADA históricos, em que os dados SCADA históricos cobrem os dados de operação da turbina eólica, e em que os relatórios da turbina eólica cobrem: a condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; módulo de treinamento de modelo 302, usado para treinar um modelo total para o diagnóstico total da turbina eólica, e treinar os modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer a relação entre os dados SCADA históricos e o relatório da turbina eólica; módulo de diagnóstico total 303, usado para adquirir os dados SCADA em tempo real, inserir os dados SCADA em tempo real no modelo total treinado, obter a condição de saúde da turbina eólica a partir do modelo total treinado, e executar o módulo de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; módulo de diagnóstico individual 304, usado para inserir os dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obter os detalhes da falha do componente defeituoso do modelo individual treinado que corresponde ao componente defeituoso.
[0061] As modalidades identificadas acima são usadas somente para representar vários exemplos da presente invenção, que são ilustrados em detalhes, mas não devem serão compreendidas como limitadoras do âmbito de proteção da presente patente. Deve ser observado que várias modificações e/ou incrementações podem ser feitas pelos elementos versados no estado da técnica, sem ir além do conceito técnico da presente invenção, todas as quais se enquadram no âmbito de proteção da presente invenção. Portanto, o âmbito de proteção da presente invenção é dependente das concretizações anexas.
Claims (10)
1. Método de monitoramento da condição de turbina eólica, caracterizado pelo fato de que compreende as seguintes etapas etapa de adquirir dados históricos (101): aquisição de dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, sendo que os dados SCADA históricos cobrem dados de operação da turbina eólica, e sendo que os relatórios da turbina eólica cobrem: condição de saúde da turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; etapa de treinar um modelo (102): treinamento de um modelo total para diagnóstico total da turbina eólica, e treinamento de modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer a relação entre os dados de SCADA históricos e o relatório da turbina eólica; etapa de diagnosticar totalmente (103): aquisição de dados SCADA em tempo real, inserção dos dados SCADA em tempo real no modelo total treinado, obtenção da condição de saúde da turbina eólica a partir do modelo total treinado, e execução da etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; etapa de diagnosticar individualmente (104): inserção dos dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obtenção dos detalhes da falha do componente defeituoso a partir do modelo individual treinado que corresponde ao componente defeituoso; sendo que a etapa de treinar um modelo (102) compreende selecionar algoritmo de garimpo dos dados totais; treinar um modelo total para diagnóstico total da turbina eólica com o algoritmo de garimpo dos dados totais para estabelecer uma relação entre a entrada e a saída do modelo total, sendo que a entrada do modelo total são os dados SCADA históricos, a saída do modelo treinado total é condição de saúde da turbina eólica que inclui estado normal e defeituoso, e do componente defeituoso se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; selecionar algoritmos de garimpo dos dados individuais para componentes diferentes da turbina eólica; treinar modelos individuais diferentes para analisar componentes diferentes da turbina eólica com os algoritmos de garimpo correspondentes dos dados individuais para estabelecer relação entre a entrada e a saída do modelo individual, sendo que a entrada de cada modelo individual são os dados SCADA históricos, a saída de cada modelo individual se o componente individual que corresponde ao modelo individual for o componente defeituoso.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de aquisição de dados históricos (101) compreende adquirir dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, sendo que os dados SCADA históricos cobrem dados de operação da turbina eólica, e sendo que os relatórios da turbina eólica cobrem: condição de saúde de turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; verificar o relatório da turbina eólica para identificar qual seção de dados dos dados SCADA históricos é de estado normal e qual seção de dados dos dados SCADA históricos é de estado defeituoso.
3. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de treinamento do modelo (102) compreende verificar a eficácia do modelo total e modelos individuais usando os dados SCADA históricos.
4. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de diagnóstico total (103) compreende adquirir dados SCADA em tempo real; inserir os dados SCADA em tempo real no modelo total treinado; executar o modelo total treinado para implementar o algoritmo de garimpo dos dados totais; obter a condição de saúde da turbina eólica a partir do modelo total treinado; realizar a etapa de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso.
5. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de diagnóstico individual (104) compreende selecionar o modelo individual treinado que corresponde ao componente defeituoso como o modelo defeituoso treinado; inserir os dados SCADA em tempo real no modelo defeituoso treinado; executar o modelo defeituoso treinado para implementar o algoritmo de garimpo correspondente dos dados individuais; obter os detalhes da falha do componente defeituoso a partir do modelo defeituoso treinado.
6. Sistema de monitoramento da condição de turbina eólica, caracterizado pelo fato de que compreende os seguintes módulos módulo de aquisição de dados históricos (301), usado para adquirir dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, sendo que os dados SCADA históricos cobrem dados de operação da turbina eólica, e sendo que os relatórios da turbina eólica cobrem: condição de saúde de turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; módulo de treinamento de modelo (302), usado para treinar um modelo total para diagnóstico total da turbina eólica, e treinar modelos individuais diferentes para analisar componentes diferentes da turbina eólica com base nos dados SCADA históricos e no relatório da turbina eólica correspondente, ao estabelecer uma relação entre os dados SCADA históricos e o relatório da turbina eólica; módulo de diagnóstico total (303), usado para adquirir dados SCADA em tempo real, inserir os dados SCADA em tempo real no modelo total treinado, obter a condição de saúde da turbina eólica a partir do modelo total treinado, e executar o módulo de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso; módulo de diagnóstico individual (304), usado para inserir os dados SCADA em tempo real no modelo individual treinado que corresponde ao componente defeituoso, e obter os detalhes da falha do componente defeituoso do modelo individual treinado que corresponde ao componente defeituoso; sendo que o módulo de treinamento de modelo (302) compreende módulo usado para selecionar algoritmo de garimpo dos dados totais; módulo usado para treinar um modelo total para diagnóstico total da turbina eólica com o algoritmo de garimpo dos dados totais para estabelecer uma relação entre a entrada e a saída do modelo total, sendo que a entrada do modelo total são os dados SCADA históricos, a saída do modelo treinado total é condição de saúde da turbina eólica que inclui estado normal e defeituoso, e do componente defeituoso se a condição de saúde da turbina eólica for diagnosticada como de estado defeituoso; módulo usado para selecionar algoritmos de garimpo dos dados individuais para componentes diferentes da turbina eólica; módulo usado para treinar modelos individuais diferentes para analisar componentes diferentes da turbina eólica com os algoritmos de garimpo de dados individuais correspondentes para estabelecer relação entre a entrada e a saída do modelo individual, sendo que a entrada de cada modelo individual são os dados SCADA históricos, a saída de cada modelo individual são os detalhes da falha para o componente individual que corresponde ao modelo individual se o componente individual que corresponde ao modelo individual for o componente defeituoso.
7. Sistema de acordo com a reivindicação 6, caracterizado pelo fato de que o módulo de aquisição de dados históricos (301) compreende módulo usado para adquirir dados SCADA históricos, e relatórios da turbina eólica que correspondem aos dados SCADA históricos, sendo que os dados SCADA históricos cobrem dados de operação da turbina eólica, e sendo que os relatórios da turbina eólica cobrem: condição de saúde de turbina eólica diagnosticada como de estado normal ou defeituoso, e do componente defeituoso com detalhes de falha correspondentes se a condição de saúde de turbina eólica for diagnosticada como de estado defeituoso; módulo usado para verificar o relatório da turbina eólica para identificar qual seção de dados dos dados SCADA históricos é de estado normal e qual seção de dados dos dados SCADA históricos é de estado defeituoso.
8. Sistema de acordo com a reivindicação 6, caracterizado pelo fato de que o módulo de treinamento de modelo (302) compreende módulo usado para verificar a eficácia do modelo total e de modelos individuais usando os dados SCADA históricos.
9. Sistema de acordo com a reivindicação 6, caracterizado pelo fato de que o módulo de diagnóstico total (303) compreende módulo usado para adquirir dados SCADA em tempo real; módulo usado para inserir os dados SCADA em tempo real no modelo total treinado; módulo usado para executar o modelo total treinado para implementar o algoritmo de garimpo dos dados totais; módulo usado para obter a condição de saúde da turbina eólica a partir do modelo total treinado; módulo usado para executar o módulo de diagnóstico individual se o modelo total treinado determinar a turbina eólica como de estado defeituoso.
10. Sistema de acordo com a reivindicação 6, caracterizado pelo fato de que o módulo de diagnóstico individual (304) compreende módulo usado para selecionar o modelo individual treinado que corresponde ao componente defeituoso como o modelo defeituoso treinado; módulo usado para inserir os dados SCADA em tempo real no modelo defeituoso treinado; módulo usado para executar o modelo defeituoso treinado para implementar o algoritmo de garimpo correspondente dos dados individuais; módulo usado para obter os detalhes da falha do componente defeituoso a partir do modelo defeituoso treinado.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2014/091425 WO2016077997A1 (en) | 2014-11-18 | 2014-11-18 | Wind turbine condition monitoring method and system |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| BR112017001082A2 BR112017001082A2 (pt) | 2017-11-21 |
| BR112017001082A8 BR112017001082A8 (pt) | 2022-12-27 |
| BR112017001082B1 true BR112017001082B1 (pt) | 2024-04-24 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10288043B2 (en) | Wind turbine condition monitoring method and system | |
| WO2016086360A1 (en) | Wind farm condition monitoring method and system | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
| US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| KR101843365B1 (ko) | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 | |
| Hu et al. | Using domain knowledge features for wind turbine diagnostics | |
| CN108732494A (zh) | 一种风力发电机异常诊断处理系统 | |
| JP7240527B2 (ja) | 運転可能な風力タービンのコンポーネントの残存有効寿命を評価するための方法 | |
| CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
| NZ590408A (en) | An online diagnostic method and system for a geothermal generation facility | |
| JP2012075308A (ja) | 発電機運転の監視及び診断方法 | |
| CN109356798B (zh) | 一种基于协整分析的风力发电机齿轮箱状态监测方法 | |
| US20130204579A1 (en) | State Monitoring Method and System for Wind Energy Installations | |
| CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
| KR101882847B1 (ko) | 발전 설비의 성능 저하 원인 도출 방법 및 장치 | |
| CN106656040A (zh) | 光伏电站中光伏组件的故障诊断方法及装置 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| BR112017001082B1 (pt) | Método e sistema de monitoramento da condição de turbina eólica | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN114564804A (zh) | 风电机组的叶片断裂预警方法和装置 | |
| KR101347748B1 (ko) | 씨피에스에서의 자율 컴퓨팅 방법 및 장치 | |
| Dinh et al. | Implementation of Digital Twin-Assisted Condition Monitoring and Fault Diagnosis for Wind Turbines |