ES2905141T3 - Método para la monitorización de parques eólicos - Google Patents
Método para la monitorización de parques eólicos Download PDFInfo
- Publication number
- ES2905141T3 ES2905141T3 ES15726178T ES15726178T ES2905141T3 ES 2905141 T3 ES2905141 T3 ES 2905141T3 ES 15726178 T ES15726178 T ES 15726178T ES 15726178 T ES15726178 T ES 15726178T ES 2905141 T3 ES2905141 T3 ES 2905141T3
- Authority
- ES
- Spain
- Prior art keywords
- data
- turbines
- nominal
- monitoring
- global
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 238000009795 derivation Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 14
- 238000002955 isolation Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2240/00—Components
- F05B2240/90—Mounting on supporting structures or systems
- F05B2240/96—Mounting on supporting structures or systems as part of a wind turbine farm
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
Método para la monitorización de turbinas (122, 124) de un parque eólico (120), que comprende los siguientes pasos: - proporcionar un conjunto de datos nominales globales que contenga trama de datos de las turbinas (122, 124) del parque eólico (120) y datos continuos de la monitorización de referencia de las turbinas (122, 124) durante un primer período en el estado libre de fallos, en donde los datos de monitorización de referencia comprenden al menos dos variables de monitorización iguales para cada turbina (122, 124), - construir un modelo global nominal basado en el conjunto de datos nominales globales y las relaciones entre las turbinas eólicas (122, 124) presentes en el parque eólico mediante técnicas estadísticas durante un período de tiempo libre de fallos, y realizar un agrupamiento (22, 24, 26, 126, 128, 130) de las turbinas (122, 124) de acuerdo al mismo, - asignar los datos del conjunto de datos nominales globales a los respectivos conjuntos de datos locales nominales de acuerdo con el agrupamiento (22, 24, 26, 126, 128, 130), - construir un modelo local nominal para las turbinas de cada agrupamiento (22, 24, 26, 126, 128, 130) basado en los respectivos conjuntos de datos locales nominales asignados y basado en algoritmos de análisis estadístico multivariante o técnicas de inteligencia artificial, en donde el modelo local nominal se construye de tal manera que se puede proporcionar un índice de no conformidad (NC) que indica el grado de no conformidad entre los datos y el modelo, - proporcionar un conjunto de datos de prueba con datos continuos de monitorización de prueba de las turbinas del parque eólico durante un período adicional, en donde esos datos continuos de monitorización de prueba están estructurados de la misma manera que los datos continuos de monitorización de referencia en el conjunto de datos global nominal, y en donde el agrupamiento (22, 24, 26, 126, 128, 130) del conjunto de datos global nominal también se aplica en el conjunto de datos de prueba, - proyectar por agrupamiento (22, 24, 26, 126, 128, 130) de los datos continuos de monitorización de prueba del conjunto de datos de prueba en los respectivos modelos locales nominales asignados de las turbinas, y derivación de un índice de no conformidad (NC) para cada turbina respectiva a partir de los mismos, - indicar una turbina (122, 124) como crítica en caso de que el respectivo índice de no conformidad relacionado exceda un límite determinado.
Description
DESCRIPCIÓN
Método para la monitorización de parques eólicos
La invención hace referencia a un método para la monitorización de las turbinas de un parque eólico. Es conocido que la energía eólica es actualmente la fuente de generación eléctrica de más rápido crecimiento en el mundo. El funcionamiento y el mantenimiento, incluyendo el mantenimiento programado y el no programado, representan habitualmente del 20% al 25% del esfuerzo total del proyecto del parque eólico. La continua monitorización del estado de las turbinas eólicas se considera la forma más eficiente de reducir el esfuerzo de mantenimiento de las turbinas eólicas, ya que la monitorización continua con detección de fallos integrada permite una alerta anticipada de fallos mecánicos y eléctricos para evitar un mantenimiento no programado y un mantenimiento programado innecesario.
Habitualmente, se prevé un sistema de monitorización de estados (CMS, por sus siglas en inglés) para evaluar el estado de los componentes en un sistema tal como una turbina eólica. La detección de fallos consiste en una decisión de lógica booleana sobre la existencia de fallos en un sistema. El objetivo del diagnóstico de fallos es la determinación de la localización exacta y la magnitud de un fallo. A día de hoy, se encuentran disponibles en el mercado diversos CMS para turbinas eólicas, y en la literatura se han propuesto muchos esquemas de monitorización de estados para turbinas eólicas. Estos esquemas pueden clasificarse de acuerdo a tres aspectos:
Alcance del análisis
Un CMS puede implementarse para un único componente, una única turbina o un conjunto de múltiples turbinas. Aunque se han realizado extensas investigaciones en el área de la monitorización de un único componente, tal como, p.ej., la monitorización de la caja de engranajes, y en el área de la monitorización de una única turbina eólica, de acuerdo con su rendimiento, solo existen unos pocos enfoques a la hora de monitorizar múltiples turbinas utilizando un único modelo, en particular que obtengan resultados positivos de la monitorización de múltiples turbinas realizando un seguimiento de su interrelación, y éste podría lograr la detección de fallos pero no el diagnóstico de fallos ya que utiliza la variable de generación de energía medida como la única variable monitorizada para cada turbina e incluida en el modelo.
Enfoque de modelización
Se puede obtener un modelo de turbinas eólicas y sus componentes basado en leyes físicas, utilizando redes neuronales o técnicas estadísticas de minería de datos. La modelización que utiliza métodos estadísticos resulta a menudo menos costosa que la modelización basada en leyes físicas, y conduce a una interpretación más sencilla en comparación con la modelización que utiliza redes neuronales.
Fuentes de datos
Los datos de las turbinas eólicas se pueden recopilar a partir de sistemas de Supervisión, Control y Adquisición de Datos (SCADA, del inglés Supervisory Control And Data Acquisition). Los sistemas SCADA se utilizan principalmente para el funcionamiento y el control de turbinas eólicas. Los datos de la turbina eólica pueden generarse a partir de unos sensores adicionales instalados, diseñados específicamente para el CMS. El uso de datos SCADA para la monitorización de estados viene motivado por el hecho de que los datos se recopilan fácilmente, no requiriendo, por lo tanto, ninguna ingeniería constructiva, instalación ni prueba de equipos adicionales.
Desventajosamente, dentro del estado de la técnica, véase por ejemplo los documentos US2013/0073223 y WO2009/016020, ocurre que la mayoría de los sistemas de monitorización de estados o de diagnóstico de fallos disponibles se centran en una única turbina eólica, donde el objetivo es detectar si ocurre un fallo en la turbina. Dicho enfoque centrado en una turbina está sujeto a cierta imprecisión y, además, los fallos futuros no son fáciles de detectar, ya que solo se utiliza la información que está directamente relacionada con la turbina para la toma de decisiones.
El objeto de la invención es proporcionar un método mejorado para la monitorización de parques eólicos con una precisión mejorada que se pueda implementar con poco esfuerzo.
El problema se resuelve mediante un método según la reivindicación 1 para monitorizar turbinas de un parque eólico. Éste se caracteriza por los siguientes pasos:
• proporcionar un conjunto de datos nominales globales que contenga datos de marco de las turbinas (122, 124) del parque eólico (120) y datos de monitorización de referencia continuos de las turbinas (122, 124) durante un primer período en el estado libre de fallos, en donde los datos de monitorización de referencia comprenden al menos dos variables de monitorización iguales para cada turbina (122, 124),
• construir un modelo global nominal basado en el conjunto de datos nominales globales que describe la interrelación entre las turbinas eólicas y agrupar las turbinas de acuerdo a este,
• asignar los datos del conjunto de datos nominales globales a los respectivos conjuntos de datos locales nominales de acuerdo con la agrupación,
• construir un modelo local nominal para las turbinas de cada agrupamiento en base a los respectivos conjuntos de datos locales nominales asignados, en donde el modelo local nominal se construye de tal manera que se proporciona un índice de no conformidad (NC) que indica el grado de no conformidad entre los datos proyectados sobre el modelo local y el propio modelo,
• proporcionar un conjunto de datos de prueba con datos continuos de la monitorización de prueba de las turbinas del parque eólico durante un período adicional, en donde esos datos continuos de la monitorización de prueba están estructurados de la misma manera que los datos continuos de la monitorización de referencia en el conjunto de datos global nominal, y en donde el agrupamiento del conjunto de datos global nominal también se aplica en el conjunto de datos de prueba,
• proyección por agrupamiento de los datos continuos de la monitorización de prueba del conjunto de datos de prueba en los respectivos modelos locales nominales asignados de las turbinas, y la derivación de un índice de no conformidad (NC) para cada turbina respectiva a partir de los mismos,
• indicar una turbina como crítica en caso de que el respectivo índice de no conformidad relacionado exceda un límite determinado.
La idea básica de la invención es adoptar una visión holística de todo el parque eólico y utilizar la similitud entre los comportamientos esperados de un subconjunto de turbinas eólicas para determinar si algunas turbinas eólicas presentan o no anomalías en su comportamiento.
Algoritmo de modelización
El algoritmo utilizado para modelizar el modelo nominal global y/o local, con respecto a la interrelación entre las turbinas eólicas puede ser, pero sin limitarse a, algoritmos de análisis estadístico multivariante, tales como el análisis de componentes principales, el análisis discriminante lineal y las máquinas de vectores de soporte, o técnicas de inteligencia artificial tales como las redes neuronales.
Dependiendo del tipo de algoritmo utilizado, se pueden desarrollar uno o más índices para indicar el grado de no conformidad (denominado índice NC a continuación) entre los datos y el modelo. El índice NC junto con su límite de confianza estadístico se utiliza para verificar:
• La similitud de las turbinas eólicas en el mismo modelo;
• La diferencia de una o varias turbinas eólicas con otras turbinas del mismo modelo;
• La no conformidad de una o varias turbinas eólicas durante un intervalo de tiempo de funcionamiento determinado. Especificación de los datos
Los datos operativos históricos se recopilan preferiblemente del sistema SCADA durante los períodos en los que las turbinas eólicas están libres de fallos y/o funcionan en condiciones aceptables. Estos períodos forman un conjunto de datos de condiciones operativas nominales con respecto al conjunto de datos nominales globales que se utiliza como referencia para la monitorización del parque eólico.
Los datos recopilados durante los períodos en los que se va a monitorizar y diagnosticar el estado de la turbina eólica, se toman como base del conjunto de datos de prueba. Tanto los datos nominales como los datos de prueba están organizados en la misma estructura, registrando las mismas variables de las mismas turbinas en el mismo parque eólico pero durante diferentes periodos de tiempo. El conjunto de datos podría ser preferiblemente, en esencia, un conjunto de datos de tres modos que comprende varias variables de proceso (índice J) de varias turbinas (índice I) medidas a lo largo de varias muestras de tiempo (índice K).
Las variables pueden ser, por ejemplo, señales relacionadas con el funcionamiento de una turbina eólica, tales como medidas eléctricas (p. ej., energía eléctrica generada, tensión, corriente, factor de potencia...), medidas de temperatura (p.ej., temperatura de la góndola, temperatura del generador eléctrico...) y mediciones de movimiento (p.ej., velocidad de la pala, velocidad del generador eléctrico...), así como variables de medición que describen las condiciones ambientales (p.ej., la dirección del viento, velocidad del viento y temperatura ambiente).
Ventajas del método propuesto
La invención descrita se relaciona con un método para monitorizar un parque eólico basado únicamente en datos históricos fácilmente disponibles, por ejemplo, en un sistema SCADA. Esto proporcionará las siguientes ventajas: • Se determinan directamente las turbinas eólicas que presentan anomalías en su funcionamiento. Esta información podría presentarse automáticamente a un operador de modo que su tiempo de reacción para iniciar una contramedida, se reduzca de manera ventajosa. Por supuesto, también es posible iniciar contramedidas automáticamente por parte del propio sistema de monitorización.
• El análisis de causa raíz automático en caso de que ocurra una situación de funcionamiento anormal de la turbina eólica también está habilitado además para ayudar a un operador en el análisis de causa raíz.
• De manera ventajosa, no se requieren extensos modelos ni hardware de alto rendimiento, ya que el método de la invención es un enfoque basado estrictamente en datos, que se basa en los datos ya existentes de sistemas SCADA, por ejemplo.
De acuerdo con una realización adicional de la invención, el modelo local para las turbinas de cada agrupamiento se basa en algoritmos de análisis estadístico multivariante, tales como el Análisis de Componentes Principales, Análisis Discriminante Lineal y Máquinas de Vectores Soporte o técnicas de inteligencia artificial tales como las redes neuronales. Dichos métodos, en particular los métodos basados en estadísticas, pueden implementarse fácilmente y aplicarse en una base de datos existente.
De acuerdo con una realización adicional de la invención, el modelo local nominal para las turbinas de cada agrupamiento se construye de manera iterativa, en donde los datos de aquellas turbinas que no coincidan con el modelo local se identifican como valores atípicos y se eliminan de consideraciones adicionales para la siguiente iteración. De este modo, se eliminan datos que inducen a error y con esto se permite la construcción de un modelo local nominal coherente basado en los restantes datos consistentes.
De acuerdo con otra realización de la invención, los datos correspondientes de aquellas turbinas que se han eliminado, como valores atípicos, de consideraciones adicionales dentro del conjunto de datos nominales globales, también se eliminan también de consideraciones adicionales dentro del respectivo conjunto de datos de prueba agrupados en consecuencia. Cabe esperar que los datos que no sean consistentes dentro de un período de referencia libre de fallos, tampoco lo sean dentro de un período de monitorización. Por lo tanto, eliminar esos datos de consideraciones también del conjunto de datos de prueba, mejorará la precisión del factor de confianza determinado a partir de los mismos.
De acuerdo con otra realización de la invención, las al menos dos variables iguales de control para cada turbina (122, 124) son:
• mediciones eléctricas (p. ej., energía eléctrica generada, tensión, corriente, factor de potencia...),
• mediciones de temperatura (p. ej., temperatura de la góndola, temperatura del generador eléctrico...),
• mediciones de movimiento (p. ej., velocidad de la pala, velocidad del generador eléctrico...) y/o
• variables de medición que describen las condiciones ambientales (p. ej., dirección del viento, velocidad del viento y temperatura ambiente).
Esas variables son fáciles de medir y, en la mayoría de los casos, están disponibles de algún modo en un sistema SCADA existente.
De acuerdo con una realización adicional de la invención, la trama de datos de las turbinas dentro del conjunto de datos nominales globales comprende datos sobre la proximidad espacial de cada turbina con respecto a la otra y/o sobre el tipo de turbinas. Esa secuencia de datos es una base importante para el modelo global nominal basado en el conjunto de datos nominales globales que describe la interrelación entre las turbinas eólicas y agrupa las turbinas en consecuencia. Las turbinas que están ubicadas en una proximidad espacial están sujetas a tener un comportamiento similar, ya que probablemente estén sujetas a un impacto similar de fuerza del viento y las turbinas eólicas del mismo tipo podrían estar sujetas a un comportamiento similar ya que son idénticas o al menos similares. De este modo, se facilita con ello el agrupamiento de las turbinas eólicas.
Incluso el modelo global muestra (si los hay) agrupamientos de turbinas eólicas idénticas, por lo que no se requiere necesariamente la ubicación geográfica de cada turbina eólica, aunque esta información podría utilizarse para validar el agrupamiento. Si se compara con el mapa geográfico del parque eólico y se observa que (algunos de) los agrupamientos podrían explicarse por la proximidad geográfica de las turbinas correspondientes, esto supone un buen indicador de que el modelo global obtenido captura la heterogeneidad, relacionada con la ubicación espacial, del funcionamiento de las turbinas.
De acuerdo con una realización adicional de la invención, los datos continuos de monitorización de referencia del conjunto de datos nominales globales y los datos continuos de monitorización de prueba continuos del conjunto de datos de prueba son, en esencia, un conjunto de datos de tres modos respectivo que comprende varias variables de proceso (índice J) de varias turbinas (índice I) a lo largo de varias muestras de tiempo (índice K). Por lo tanto, los datos más importantes se pueden almacenar en una matriz tridimensional. Opcionalmente, se podrían prever respectivos indicadores, que indiquen, por ejemplo, la asignación de una turbina a un agrupamiento respectivo o que indiquen los datos respectivos como valores atípicos que van a eliminarse de las consideraciones.
De acuerdo con una realización adicional de la invención, los datos del conjunto de datos nominales globales y/o el conjunto de datos de prueba son recopilados y proporcionados al menos predominantemente por un sistema SCADA.
Habitualmente, de cualquier modo, un sistema SCADA se encuentra previsto en un parque eólico, por lo que la recopilación de los datos necesarios se puede realizar con éste de forma sencilla.
De acuerdo con una realización adicional de la invención, se prevé un dispositivo informático con un módulo de programa de software respectivo ejecutándose en el mismo para realizar automáticamente los pasos del método. Un dispositivo informático puede ser, por ejemplo, un PC industrial con teclado y monitor que está integrado en un sistema SCADA. Por lo tanto, se habilita una monitorización e indicación totalmente automatizadas de una turbina crítica. De acuerdo con una realización adicional de la invención, el análisis automático de fallos se inicia tras indicar que una turbina es crítica. Por lo tanto, se evalúa adicionalmente de forma automática si una turbina crítica está defectuosa, respectivamente con la razón por la que se indica como crítica, para que se puedan iniciar las respectivas contramedidas.
De acuerdo con una realización adicional de la invención, el análisis automático de fallos comprende los siguientes pasos:
• Análisis sintáctico de datos (parsing) del nivel de turbina,
• análisis sintáctico de datos del nivel de tiempo,
• análisis sintáctico de datos del nivel de las variables.
En el análisis sintáctico de datos del nivel de la turbina se determina si el índice de no conformidad (NC) de cualquier turbina excede un cierto límite, de manera que con esto la turbina respectiva es crítica. En el paso posterior se analiza el nivel de tiempo haciendo un análisis sintáctico de datos del historial de NC de la turbina respectiva y se determina el momento en que la NC excedió el límite determinado. Posteriormente se analiza variable por variable, si existen irregularidades en el momento determinado en el paso anterior. Esta variable suele ser una base para identificar la causa raíz de un fallo.
Realizaciones ventajosas adicionales de la invención se mencionan en las reivindicaciones dependientes.
La invención se explicará ahora en mayor detalle por medio de un ejemplo de realización y en referencia a los dibujos anexos, en los que:
La Figura 1 muestra ejemplos de los pasos del flujo de trabajo propuesto,
La Figura 2 muestra un ejemplo de un agrupamiento del modelo global nominal,
La Figura 3 muestra un ejemplo de diagrama de flujo del paso de "construcción del modelo global nominal", La Figura 4 muestra un ejemplo de diagrama de flujo del paso de "construcción del modelo local nominal",
La Figura 5 muestra un ejemplo de diagrama de flujo del paso de "proyección de datos de prueba",
La Figura 6 muestra un ejemplo de diagnóstico de fallo en los datos de monitorización de prueba,
La Figura 7 muestra un ejemplo de análisis sintáctico de datos del nivel de turbina (nivel I),
La Figura 8 muestra un ejemplo de análisis sintáctico de datos del nivel de tiempo (nivel II),
La Figura 9 muestra un ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de variable de fallo utilizando el límite de confianza estadística,
La Figura 10 muestra un ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de variable de fallo utilizando una comparación con la contribución durante el período nominal,
La Figura 11 muestra un ejemplo de pantalla del nivel de señal (nivel IV).
La Figura 1 muestra ejemplos de los pasos del flujo de trabajo propuesto en un esquema 10. Los pasos del flujo de trabajo son:
• Construcción del modelo global nominal,
• Construcción del modelo local nominal,
• Proyección de datos de prueba y
• Diagnóstico de fallos en el conjunto de datos de prueba.
Construcción del modelo global nominal
Se recopilan los datos de la medición de cada turbina eólica para todas las turbinas eólicas presentes en el parque eólico que se van a monitorizar. Estos datos se recopilan en primer lugar durante un período de tiempo de funcionamiento sin fallos conocido, y se procesan previamente para formar un conjunto de datos global nominal. Se construye un modelo global utilizando este conjunto de datos nominales globales. Este modelo nominal global captura la interrelación entre todas las turbinas eólicas presentes en el parque eólico mediante técnicas estadísticas durante un período de funcionamiento sin fallos. Con el fin de mejorar la capacidad del modelo para capturar una desviación del comportamiento nominal de una turbina eólica determinada, se forman agrupamientos de turbinas eólicas similares y las turbinas eólicas se dividen en agrupamientos de acuerdo con el patrón de agrupación obtenido. A continuación, el conjunto de datos globales nominales se divide, por consiguiente, en varios conjuntos de datos locales nominales. Si no hay un patrón de agrupamiento claro o si la capacidad del modelo global obtenido para detectar un comportamiento anómalo de la turbina se considera lo suficientemente precisa, el conjunto de datos nominales globales también puede utilizarse como un único conjunto de datos locales nominales.
Construcción modelo local nominal
La interrelación entre las turbinas en cada conjunto de datos locales nominales se modeliza preferiblemente mediante el algoritmo de modelización descrito anteriormente, p.ej., preferiblemente algoritmos de análisis estadístico multivariante. Los valores atípicos se identifican y se eliminan del conjunto de datos local nominal, y luego se reconstruye el modelo local. Los procesos de eliminación de valores atípicos/construcción de modelos locales se repiten hasta que no se pueda identificar ningún valor atípico aparente.
Proyección de datos de prueba
El conjunto de datos de prueba incluye las mismas variables recopiladas para las mismas turbinas eólicas que la utilizada para construir el conjunto de datos local nominal. Para el conjunto de datos de prueba, los datos se recopilan durante el período de tiempo que va a ser monitorizado y diagnosticado. El conjunto de datos de prueba se procesa previamente de forma similar a la que se realiza con el conjunto de datos nominal. El conjunto de datos de prueba se proyecta sobre el modelo nominal. En el presente documento, el término proyección se refiere a la operación de comparar el conjunto de datos de prueba con el conjunto de datos nominales mediante el uso de un índice de NC que cuantifica la no conformidad del conjunto de datos de prueba para el modelo local nominal generado a partir del conjunto de datos nominales. El índice de NC del conjunto de datos de prueba con respecto al modelo local nominal se evalúa en cada punto de datos.
Diagnóstico de fallos en el conjunto de datos de prueba
Los valores del índice de NC del conjunto de datos de prueba se analizan para proporcionar el estado de todas las turbinas eólicas, detección de fallos, identificación, aislamiento y recuperación del proceso. En el presente documento el término fallo se refiere al fallo de un componente o a una degradación del rendimiento de una única turbina eólica.
La Figura 2 muestra un ejemplo de agrupamiento del modelo global nominal en un esquema 20. Los resultados del modelo pueden mostrar agrupamientos de turbinas eólicas tal como se representa en el esquema 20. El patrón de agrupamiento puede ser el resultado, p.ej., de que la proximidad espacial de las turbinas eólicas conduce a un efecto de estela similar que las afecta, y/o del hecho de que algunas turbinas eólicas son del mismo tipo. Para mejorar la precisión del modelo, las turbinas eólicas se pueden dividir en varios agrupamientos según el patrón de agrupamiento obtenido. El conjunto de datos recopilado para cada agrupamiento de turbinas eólicas se utiliza para construir un modelo local nominal en el siguiente paso del flujo de trabajo. Si no se identifica un agrupamiento claro, el modelo global nominal se utiliza como modelo local en el siguiente paso del flujo de trabajo.
La Figura 3 muestra un ejemplo de diagrama de flujo del paso de "construcción del modelo global nominal" en un esquema 30. El paso de construcción del modelo nominal incluye el procesamiento previo del conjunto de datos nominales, la construcción del modelo global, la identificación de agrupamientos de turbinas eólicas y la construcción del modelo local. Primero se verifica la validez de los datos para identificar posibles datos erróneos. De acuerdo con los resultados de la validación, se eliminan los datos erróneos. Se construye un modelo global utilizando el conjunto de datos nominales validados y procesados previamente para capturar la interrelación entre las turbinas. El término "global" se refiere en el presente documento, al hecho de que un único modelo incluye todas las turbinas eólicas presentes en un parque eólico determinado.
La Figura 4 muestra un ejemplo de diagrama de flujo del paso de "construcción del modelo local nominal" en un esquema 40. Mientras que el modelo global se construye para identificar agrupamientos de turbinas eólicas similares en un parque eólico, el modelo local se construye para modelizar la similitud de las turbinas eólicas en el mismo agrupamiento por medio del algoritmo de modelización. Los valores atípicos se identifican en base a los resultados del modelo local obtenido. Se puede utilizar un índice de NC y su límite de confianza para ayudar a identificar un valor atípico. El valor atípico identificado se elimina del conjunto de datos local nominal y se construye un nuevo modelo local. Los procesos de identificación de valores atípicos/construcción de modelo se repiten hasta que no se pueden identificar valores atípicos aparentes, o hasta que se alcanza un nivel establecido de homogeneidad entre las turbinas eólicas del agrupamiento. El modelo local nominal se utiliza como referencia para la monitorización y el diagnóstico de fallos en los pasos posteriores.
La Figura 5 muestra un ejemplo de diagrama de flujo del paso de "proyección de datos de prueba" en un esquema 50. El conjunto de datos de prueba incluye las mediciones de las mismas variables de las mismas turbinas eólicas presentes en el conjunto de datos nominales y medidas durante el período de monitorización. El conjunto de datos de prueba se divide en los mismos agrupamientos que el utilizado para el conjunto de datos nominales en el Paso 1. En cada agrupamiento, los valores atípicos identificados en el conjunto de datos locales nominales se eliminan del conjunto de datos de prueba, de manera que las turbinas eólicas en cada conjunto de datos locales de prueba sean los mismas que en el conjunto de datos local nominal correspondiente. Como resultado, el modelo qésimo local nominal se puede utilizar para diagnosticar el estado del conjunto qésimo de datos de prueba locales, proyectando el conjunto de datos de prueba local en el modelo local nominal. Dependiendo del algoritmo de modelización, la realización de la operación de proyección puede ser diferente. La expresión operación de 'Proyección' en el presente documento hace referencia a una verificación de la conformidad entre las características de las turbinas eólicas capturadas por el modelo local nominal utilizando el conjunto de datos locales nominales, y las características de las turbinas presentes en el conjunto de datos de prueba locales. La no conformidad se mide por el índice de NC en cada punto de datos de la turbina eólica iésimo, la variable jésimo y el punto de tiempo késimo. El conjunto qésimo de datos de prueba locales se proyecta a continuación en el modelo qésimo local nominal. El índice de NC se evalúa para cada variable de cada turbina en cada punto de tiempo. El índice de NC se utiliza para el diagnóstico de fallos en el siguiente paso.
La Figura 6 muestra un ejemplo del diagnóstico de fallos sobre los datos de monitorización de prueba en un esquema 6. El diagnóstico de fallos incluye tres tareas:
• detección de fallos,
• aislamiento de fallos e
• identificación de fallos.
Cuando sea posible, el diagnóstico de fallos también puede proporcionar al usuario un soporte para la selección de una contramedida para una recuperación posterior del proceso. El método propuesto es un método integrado que logra las cuatro tareas utilizando un único modelo nominal y realizando un análisis sintáctico de datos de los índices de NC nivel por nivel.
La Figura 7 muestra un ejemplo del análisis sintáctico de datos del nivel de turbina (nivel I) en un esquema 70. En este nivel, el índice de NC se evalúa para cada turbina durante la duración del conjunto de datos de prueba. Los índices de NC calculados para cada turbina eólica se comparan entre sí y/o con el límite de confianza, tal como se muestra en el esquema 80. Las turbinas eólicas con valores de NC superiores al límite de confianza se marcan como defectuosos. Cada una de las turbinas eólicas defectuosas se analiza en más detalle en el siguiente nivel.
La Figura 8 muestra un ejemplo de análisis sintáctico de datos del nivel de tiempo (nivel II) en un esquema 80. En este nivel, el índice de NC evaluado para cada turbina eólica defectuosa detectada en el nivel I se analiza a lo largo del tiempo, de manera que pueda analizarse la tendencia en el tiempo del fallo de la turbina. El punto de tiempo, o el intervalo de tiempo, en el que la turbina eólica defectuosa debe marcarse como defectuosa, se puede identificar utilizando un límite de confianza calculado.
La Figura 9 muestra un ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de la variable de fallo utilizando un límite de confianza estadístico en un esquema 90. El índice de NC evaluado en el momento en el que la turbina se marca como defectuosa se analiza a continuación sobre todas las variables. La contribución de cada variable al valor total del índice de NC en este punto de tiempo se puede comparar con un límite de confianza tal como se muestra en el esquema 90.
La Figura 10 muestra un ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de variable de fallo utilizando la comparación con la contribución durante el período nominal en un esquema 100. La comparación también se puede realizar utilizando una gráfica de contribución calculada utilizando los datos recopilados cuando la turbina funciona normalmente, por lo tanto las variables que contribuyen de forma anómala a la suma de los valores del índice de NC pueden aislarse.
La Figura 11 muestra un ejemplo de una pantalla del nivel de señal (nivel IV) en un esquema 110. Del nivel I al nivel III, se logran todo el proceso de detección de fallos, la identificación de fallos y el aislamiento (diagnóstico de fallos). La tendencia en el tiempo de la variable o las variables de fallo aisladas de la turbina o las turbinas de fallos se representan a lo largo del tiempo junto con la tendencia en el tiempo esperada de la misma o las mismas variables, es decir, la tendencia de esta variable cuando tiene un nivel normal de contribución al valor del índice de NC también se puede simular y representar contra la tendencia en el tiempo variable real, tal como se muestra en el esquema 110. La desviación entre las dos tendencias en el tiempo también ofrece una visualización directa y fácilmente comprensible de la magnitud del fallo. Además, el sistema de control se puede ajustar de forma automática o manual en función del componente defectuoso identificado y del valor esperado de la variable, de manera que se pueda lograr una recuperación del proceso.
Lista de signos de referencia
10 ejemplos de pasos del flujo de trabajo propuesto de acuerdo con la invención
0 ejemplo de agrupamiento del modelo global nominal
2 primer agrupamiento
4 segundo agrupamiento
6 tercer agrupamiento
0 ejemplo de diagrama de flujo del paso de "construcción del modelo global nominal"
0 ejemplo de diagrama de flujo del paso de "construcción del modelo local nominal"
0 ejemplo del diagnóstico de fallos sobre los datos de monitorización de prueba
0 ejemplo del diagnóstico de fallos sobre los datos de monitorización de prueba
2 análisis sintáctico de datos del nivel de turbina del primer paso
4 análisis sintáctico de datos del nivel de tiempo del segundo paso
6 análisis sintáctico de datos del nivel de las variables del tercer paso
8 pantalla del nivel de señal del cuarto paso
0 ejemplo de análisis sintáctico de datos del nivel de turbina (nivel I)
2 límite de confianza del índice de no conformidad (NC)
4 primera turbina defectuosa
6 segunda turbina defectuosa
0 ejemplo de análisis sintáctico de datos del nivel de tiempo (nivel II)
2 límite de confianza del índice de no conformidad (NC)
4 inicio de alarma
0 ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de variable de fallo utilizando límite de confianza estadística
2 variable de fallo
100 ejemplo de análisis sintáctico de datos del nivel de las variables (nivel III): aislamiento de variable de fallo utilizando la comparación con la contribución durante el período nominal
102 variable de fallo
110 ejemplo de visualización del nivel de señal (nivel IV)
112 señal real
114 señal esperada
120 ejemplo de parque eólico
122 primera turbina del parque eólico
124 segunda turbina del parque eólico
126 primer agrupamiento del parque eólico
128 segundo agrupamiento del parque eólico
130 tercer agrupamiento del parque eólico
132 dispositivo informático con sistema de monitorización
134 base de datos con conjunto de datos nominales globales
136 dispositivo de visualización
Ċ
Claims (11)
1. Método para la monitorización de turbinas (122, 124) de un parque eólico (120), que comprende los siguientes pasos:
• proporcionar un conjunto de datos nominales globales que contenga trama de datos de las turbinas (122, 124) del parque eólico (120) y datos continuos de la monitorización de referencia de las turbinas (122, 124) durante un primer período en el estado libre de fallos, en donde los datos de monitorización de referencia comprenden al menos dos variables de monitorización iguales para cada turbina (122, 124),
• construir un modelo global nominal basado en el conjunto de datos nominales globales y las relaciones entre las turbinas eólicas (122, 124) presentes en el parque eólico mediante técnicas estadísticas durante un período de tiempo libre de fallos, y realizar un agrupamiento (22, 24, 26, 126, 128, 130) de las turbinas (122, 124) de acuerdo al mismo,
• asignar los datos del conjunto de datos nominales globales a los respectivos conjuntos de datos locales nominales de acuerdo con el agrupamiento (22, 24, 26, 126, 128, 130),
• construir un modelo local nominal para las turbinas de cada agrupamiento (22, 24, 26, 126, 128, 130) basado en los respectivos conjuntos de datos locales nominales asignados y basado en algoritmos de análisis estadístico multivariante o técnicas de inteligencia artificial, en donde el modelo local nominal se construye de tal manera que se puede proporcionar un índice de no conformidad (NC) que indica el grado de no conformidad entre los datos y el modelo,
• proporcionar un conjunto de datos de prueba con datos continuos de monitorización de prueba de las turbinas del parque eólico durante un período adicional, en donde esos datos continuos de monitorización de prueba están estructurados de la misma manera que los datos continuos de monitorización de referencia en el conjunto de datos global nominal, y en donde el agrupamiento (22, 24, 26, 126, 128, 130) del conjunto de datos global nominal también se aplica en el conjunto de datos de prueba,
• proyectar por agrupamiento (22, 24, 26, 126, 128, 130) de los datos continuos de monitorización de prueba del conjunto de datos de prueba en los respectivos modelos locales nominales asignados de las turbinas, y derivación de un índice de no conformidad (NC) para cada turbina respectiva a partir de los mismos,
• indicar una turbina (122, 124) como crítica en caso de que el respectivo índice de no conformidad relacionado exceda un límite determinado.
2. Método para la monitorización de turbinas de un parque eólico según la reivindicación 1, caracterizado por que el modelo local para las turbinas (122, 124) de cada agrupamiento (22, 24, 26, 126, 128, 130) se basa en el análisis de componentes principales, el análisis discriminante lineal y las máquinas de vectores de soporte, o una red neuronal.
3. Método para la monitorización de turbinas de un parque eólico según la reivindicación 1 o 2, caracterizado por que el modelo local nominal para las turbinas (122, 124) de cada agrupamiento (22, 24, 26, 126, 128, 130) se construye iterativamente, en donde los datos de las turbinas que no coinciden con el modelo local se identifican como valores atípicos y se eliminan de consideraciones adicionales para la próxima iteración.
4. Método para la monitorización de turbinas de un parque eólico según la reivindicación 3, caracterizado por que los datos correspondientes de las turbinas que se han eliminado como valores atípicos de consideraciones adicionales dentro del conjunto de datos nominales globales se eliminan de consideraciones adicionales dentro del respectivo conjunto de datos de prueba agrupados en consecuencia.
5. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que las al menos dos variables de monitorización iguales para cada turbina (122, 124) son:
• mediciones eléctricas (por ejemplo, energía eléctrica generada, tensión, corriente, factor de potencia...),
• mediciones de temperatura (por ejemplo, temperatura de la góndola, temperatura del generador eléctrico...),
• mediciones de movimiento (por ejemplo, velocidad de la pala, velocidad del generador eléctrico...) y/o
• variables de medición que describen las condiciones ambientales (por ejemplo, dirección del viento, velocidad del viento y temperatura ambiente).
6. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que la trama de datos de las turbinas (122, 124) dentro del conjunto de datos nominales globales comprenden datos sobre la proximidad espacial de cada turbina con la otra y/o el tipo de turbinas.
7. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que los datos continuos de monitorización de referencia del conjunto de datos nominales globales y
los datos continuos de monitorización de prueba del conjunto de datos de prueba son, en esencia, un respectivo conjunto de datos de tres modos que comprende diversas variables de proceso (índice J) de varias turbinas (índice I) a lo largo de varias muestras de tiempo (índice K).
8. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que los datos del conjunto de datos nominales globales y/o el conjunto de datos de prueba son recopilados y proporcionados al menos predominantemente por un sistema SCADA.
9. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que se prevé un dispositivo informático con un respectivo módulo de programa de software, que se ejecuta en el mismo para realizar automáticamente los pasos del método.
10. Método para la monitorización de turbinas de un parque eólico según cualquiera de las reivindicaciones anteriores, caracterizado por que el análisis automático de fallos se inicia tras indicar una turbina como crítica.
11. Método según la reivindicación 10, caracterizado por que el análisis automático de fallos comprende los siguientes pasos:
• análisis sintáctico de datos del nivel de la turbina,
• análisis sintáctico de datos de nivel de tiempo,
• análisis sintáctico de datos de nivel de las variables.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/EP2015/062389 WO2016192786A1 (en) | 2015-06-03 | 2015-06-03 | Method for windmill farm monitoring |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2905141T3 true ES2905141T3 (es) | 2022-04-07 |
Family
ID=53276158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES15726178T Active ES2905141T3 (es) | 2015-06-03 | 2015-06-03 | Método para la monitorización de parques eólicos |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11339763B2 (es) |
| EP (1) | EP3303835B1 (es) |
| DK (1) | DK3303835T3 (es) |
| ES (1) | ES2905141T3 (es) |
| WO (1) | WO2016192786A1 (es) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108252858B (zh) * | 2018-01-12 | 2019-11-08 | 江苏火禾新能源发展有限公司 | 风力发电机远程监控系统 |
| US11378063B2 (en) | 2020-02-21 | 2022-07-05 | General Electric Company | System and method for detecting turbine underperformance and operation anomaly |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009016020A1 (en) * | 2007-07-31 | 2009-02-05 | Vestas Wind Systems A/S | Wind turbine monitoring system |
| US9086488B2 (en) * | 2010-04-20 | 2015-07-21 | Michigan Aerospace Corporation | Atmospheric measurement system and method |
| US8924162B2 (en) * | 2010-05-13 | 2014-12-30 | University Of Cincinnati | Turbine-to-turbine prognostics technique for wind farms |
| US8219356B2 (en) * | 2010-12-23 | 2012-07-10 | General Electric Company | System and method for detecting anomalies in wind turbines |
| US9641026B2 (en) * | 2011-06-08 | 2017-05-02 | Alstom Technology Ltd. | Enhanced communication infrastructure for hierarchical intelligent power distribution grid |
| US10417554B2 (en) * | 2014-05-22 | 2019-09-17 | Lee J. Scheffler | Methods and systems for neural and cognitive processing |
-
2015
- 2015-06-03 DK DK15726178.5T patent/DK3303835T3/da active
- 2015-06-03 ES ES15726178T patent/ES2905141T3/es active Active
- 2015-06-03 WO PCT/EP2015/062389 patent/WO2016192786A1/en active Application Filing
- 2015-06-03 EP EP15726178.5A patent/EP3303835B1/en active Active
-
2017
- 2017-12-01 US US15/828,450 patent/US11339763B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016192786A1 (en) | 2016-12-08 |
| US11339763B2 (en) | 2022-05-24 |
| DK3303835T3 (da) | 2022-02-28 |
| EP3303835A1 (en) | 2018-04-11 |
| EP3303835B1 (en) | 2022-01-19 |
| US20180087489A1 (en) | 2018-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106961249B (zh) | 一种光伏阵列故障诊断和预警方法 | |
| ES2966287T3 (es) | Sistema y procedimiento para la detección de anomalías y ciberamenazas en una turbina eólica | |
| CN104915747B (zh) | 一种发电机组的发电性能评估方法及设备 | |
| US20190392098A1 (en) | Learning Expected Operational Behavior Of Machines From Generic Definitions And Past Behavior | |
| JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
| US20140214733A1 (en) | Method And Apparatus For Deriving Diagnostic Data About A Technical System | |
| CN114430816B (zh) | 用于融合风力涡轮机的多种分析以提高效率的系统和方法 | |
| CN111950505A (zh) | 一种ssa-aann的风力发电机传感器状态评估方法 | |
| BR102013006080A2 (pt) | Método para o monitoramento de um sistema e aparelho para o monitoramento de um sistema | |
| KR20200114130A (ko) | 태양광 발전 고장 진단 방법 및 시스템 | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| CN111852769A (zh) | 风机scada数据的偏航静态偏差角预测方法及系统 | |
| CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
| ES2905141T3 (es) | Método para la monitorización de parques eólicos | |
| CN103675356B (zh) | 基于粒子群优化的风速仪故障检测方法和系统 | |
| Bouazzi et al. | Deep recurrent neural networks based Bayesian optimization for fault diagnosis of uncertain GCPV systems depending on outdoor condition variation | |
| CN117723852A (zh) | 风能电缆性能测试方法及系统 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
| CN113323819B (zh) | 一种基于模糊专家系统的风机安全链故障分析方法及系统 | |
| Benninger et al. | Anomaly detection by comparing photovoltaic systems with machine learning methods | |
| Jacome et al. | Real-Time Fault Identification of Photovoltaic Systems Based on Remote Monitoring with IoT | |
| CN105759782B (zh) | 一种基于危害度的车辆故障诊断策略构建方法 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines |