ES2969782T3 - Monitorización y mantenimiento de turbina - Google Patents

Abstract

La presente invención se refiere a turbinas de energía renovable no térmica (20,24,34, 38,40), en particular al monitoreo del desempeño de la turbina para identificar una pérdida de desempeño indicativa de fallas o degradación de componentes. El método implica la comparación de la potencia medida de una turbina objetivo (20) con un valor previsto para la misma turbina. El valor previsto se calcula utilizando la salida de una pluralidad de otras turbinas (24,34,38,40) de una matriz y un modelo predictivo que incluye ponderaciones para las otras turbinas (24,34,38,40) en función de la fuerza de correlación de sus datos históricos con los históricos de la turbina objetivo (20). (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Monitorización y mantenimiento de turbina

La presente invención se refiere a turbinas de energía renovable no térmica. En particular, la invención se refiere a la monitorización del rendimiento de la turbina para identificar degradaciones en el rendimiento las cuales son indicativas de fallas o degradación de componentes. Ejemplos de soluciones de la técnica anterior están disponibles en el documento US 2012/101644 A1.

El agotamiento de los combustibles fósiles, y las preocupaciones ambientales en torno a ellos están llevando a una mayor consideración de los suministros de energía renovable, tales como la solar, eólica, hidráulica, mareomotriz, y undimotriz.

Uno de los desafíos más importantes y en gran medida sin resolver del sector eólico es la monitorización y seguimiento rentable del rendimiento de la turbina eólica durante toda su vida útil. Los fallos no detectados o la degradación de componentes remediables pueden provocar una reducción significativa de la eficiencia y, por tanto, del rendimiento energético, además de aumentar los riesgos de fallo terminal de componentes o turbinas enteras. Los costes de mantenimiento asociados y el tiempo de inactividad de las turbinas también pueden ser un problema importante para los operadores, y la incertidumbre asociada en la disponibilidad no es deseable para las empresas de energía y los usuarios finales, particularmente porque las energías renovables son inherentemente más susceptibles a las fluctuaciones en el suministro que las fuentes de energía térmica convencionales. Por lo tanto, es importante que cualquier pérdida de rendimiento se detecte lo antes posible para mitigar el riesgo de estos problemas.

Un método para monitorizar el rendimiento se conoce comúnmente como análisis de curva de potencia. La curva de potencia proporcionada por el fabricante para una turbina eólica indica la producción de potencia esperada para una velocidad del viento determinada. A medida que los componentes de la turbina se deterioran, la eficiencia con la cual la energía eólica se convierte en energía eléctrica disminuye y el rendimiento de la turbina disminuye. Por lo tanto, una comparación de la potencia medida con la curva de potencia de una turbina determinada debería proporcionar una medida del rendimiento de una turbina eólica y un indicador del estado general de la turbina, con diversas fallas y mecanismos de degradación del rendimiento detectables en la curva de potencia medida utilizando datos del sistema de Supervisión, Control y Adquisición de Datos (SCADA).

Sin embargo, la curva de potencia del Fabricante de Equipos Originales (OEM) es un modelo idealizado y no es específico del sitio. La curva de potencia real puede desviarse de la nominal debido a factores específicos del sitio, regímenes de viento complejos, o cambios en las condiciones de los componentes. El terreno complejo y las diferentes condiciones meteorológicas, tales como la variación de la dirección del viento, la cizalladura del viento, y la intensidad de la turbulencia (por ejemplo, los efectos de estela de otras turbinas en el conjunto en ciertas direcciones del viento) pueden influir en el rendimiento en el mundo real, lo que dificulta determinar el estado de una turbina. Otro problema es que los anemómetros (los instrumentos más comunes utilizados para medir la velocidad del viento) son típicamente dispositivos mecánicos toscos, y en general proporcionan datos inexactos sobre la velocidad del viento. La citación o colocación de anemómetros en las turbinas eólicas puede reducir aún más la exactitud y precisión de las lecturas tomadas, especialmente porque el diseño estándar de las turbinas eólicas prácticamente dicta que el anemómetro se ubicará con la corriente de las palas de la turbina. El efecto neto es que las lecturas obtenidas son muy poco confiables, lo que significa que los cambios de rendimiento por debajo del 10-12 % no se pueden determinar de manera confiable. Los operadores propietarios han declarado que las pérdidas de rendimiento no detectadas en este rango pueden equivaler a una pérdida de rendimiento media de alrededor del 4 % en toda su flota.

Se puede lograr una medición más precisa de la velocidad del viento mediante el uso de un instrumento de velocidad del viento con base en LÁSER, comúnmente conocido como LIDAR. Las mediciones LIDAR pueden proporcionar errores tan bajos como el 1% en condiciones ideales, pero en aplicaciones prácticas es más típico entre el 3 y el 5%. Esta es una mejora significativa con respecto a las lecturas de los anemómetros convencionales, pero aún está lejos de ser ideal si se quiere detectar la degradación en una etapa temprana para poder planificar el mantenimiento, y prevenir fallas de la manera más eficiente posible. El equipo LIDAR también es significativamente más caro que el dispositivo anemómetro convencional y es más susceptible a sufrir daños en entornos exteriores potencialmente hostiles como los que normalmente se ubicarían los parques eólicos. Esto puede aumentar aún más los costes continuos de funcionamiento y mantenimiento del parque eólico.

Sería claramente beneficioso si un sistema fuera capaz de proporcionar una monitorización más precisa y confiable del rendimiento de la turbina para proporcionar indicaciones más tempranas de fallo o deterioro. Una mejor monitorización conduciría a un mejor rendimiento general al ayudar a detectar incluso pequeñas pérdidas de rendimiento para que las causas puedan remediarse antes. Otros beneficios potenciales de costes de mantenimiento reducidos, tiempos de inactividad reducidos o mejor programados y la consiguiente mejora de la eficiencia y consistencia del suministro también aumentarían la viabilidad del uso de turbinas eólicas.

En el centro de la invención se encuentra un modelo predictivo para determinar los cambios de rendimiento en una turbina midiendo la producción de potencia a partir de una pluralidad de turbinas de energía renovable en un conjunto, y realizar una comparación de la producción de potencia medida de una turbina objetivo con un valor previsto para la turbina objetivo, en donde el valor predicho es el resultado de un cálculo con base en la producción de potencia medida de una pluralidad de otras turbinas del conjunto y un modelo predictivo que incluye una ponderación asignada a cada una de la pluralidad de otras turbinas con base en la fuerza de correlación de sus datos históricos con los datos históricos de la turbina objetivo.

El valor previsto se puede comparar con los valores medidos de producción de potencia para la turbina objetivo para determinar si se ha producido un cambio de rendimiento significativo para la turbina objetivo. Se puede emitir una señal de alerta indicativa de una falla o degradación de un componente si se determina un cambio significativo en el rendimiento.

La ponderación a la que se hace referencia en el presente documento puede describirse/definirse en general como que comprende una función matemática.

La ponderación asignada a cada una de la pluralidad de otras turbinas puede ser una de una pluralidad de ponderaciones asignadas a cada una de la pluralidad de otras turbinas, quizás a lo largo de un proceso de múltiples etapas dentro del modelo predictivo. Como tal, el efecto global sobre cada una de la pluralidad de turbinas puede parecerse a una función compleja, o función con base en ponderación, en lugar de una ponderación simple/singular.

Aunque una determinación inicial de ponderaciones está relacionada con las fuerzas de correlación, un procesamiento adicional dentro del modelo predictivo puede dar como resultado que las turbinas individuales tengan ponderaciones finales que no están relacionadas con su fuerza de correlación con una turbina objetivo. Por ejemplo, una turbina fuertemente correlacionada puede tener en última instancia una ponderación baja o incluso negativa, aunque la ponderación final se haya derivado de/utilizando la ponderación inicial.

De acuerdo con un primer aspecto de la invención, se proporciona un método para la detección de fallas de turbinas o degradación de componentes como se define en la reivindicación 1 adjunta. Otras características opcionales se enumeran en las reivindicaciones dependientes asociadas.

La determinación de un cambio de rendimiento puede basarse en una diferencia absoluta o porcentual predeterminada entre la producción de potencia medida y el valor previsto para una turbina objetivo. Si se determina un cambio negativo en el rendimiento, esto indica que ha habido una disminución en el rendimiento, lo que indica una falla o degradación de un componente en la turbina objetivo.

En el contexto de esta solicitud, se entiende por “conjunto” una selección definida de turbinas bajo consideración, no necesariamente un único grupo o grupo geográfico. Por ejemplo, un conjunto puede incluir turbinas seleccionadas en diferentes ubicaciones geográficas pero que experimentan condiciones de uso similares.

El método y el modelo permiten una evaluación del rendimiento de la turbina eólica que es independiente de la velocidad del viento y, en cambio, se concentra en la producción de potencia relativa, eliminando así el problemático error del anemómetro que afecta el análisis de la curva de potencia. Es posible que el método no requiera la velocidad del viento como entrada en absoluto, por ejemplo, impidiendo la dependencia de mediciones precisas de la velocidad del viento. La medición directa de la energía durante la vida operativa de las turbinas eólicas conectadas a las redes de distribución de electricidad es obligatoria en la industria, por lo que es posible monitorizar la producción de potencia sin necesidad de sensores adicionales. Las lecturas de producción de potencia de las turbinas son muy precisas y proporcionan un reflejo fiel del rendimiento general de la turbina.

Una mejor monitorización del rendimiento de las turbinas eólicas y la detección de fallas puede ayudar a respaldar las reivindicaciones de garantía, respaldar las actividades de puesta en servicio de las turbinas, y mejorar la salud de los activos a través de operaciones optimizadas y actividades de mantenimiento.

Un método de monitorización alternativo conocido, conocido como hermanamiento de turbinas, también elimina la dependencia de las lecturas del anemómetro al comparar la producción de potencia de un par de turbinas adyacentes. Sin embargo, el hermanamiento de turbinas requiere aire limpio y, como resultado, se limita a turbinas ubicadas en el borde de un conjunto y solo bajo ciertas direcciones del viento, períodos de tiempo, y zonas de energía.

La metodología de la presente invención da un paso novedoso para superar las limitaciones del hermanamiento de turbinas de aire limpio al aprender la información repetible, aunque oculta, generada por una gama completa de turbinas. A través del método y el modelo se puede crear una producción de potencia prevista para cualquier turbina determinada dentro del conjunto, con un residuo entre la producción de potencia real y la prevista que actúa como un indicador del cambio de rendimiento de la turbina.

El método de la invención puede comprender además una etapa de programar la reparación, el mantenimiento o la inspección de la turbina objetivo con base en la señal de alerta.

Se puede proporcionar un modelo predictivo separado para cada una de una pluralidad de direcciones del viento definidas, y el método puede seleccionar el modelo predictivo que corresponde a la dirección del viento experimentada por la turbina objetivo. A cada una de la pluralidad de otras turbinas se le puede asignar una pluralidad de ponderaciones correspondientes a la pluralidad de direcciones del viento definidas.

La pluralidad de direcciones del viento puede definirse como un número predefinido de segmentos iguales o desiguales de un círculo, para definir una 'rosa de los vientos' con 'agrupadores' separados para agrupar datos de un rango definido de direcciones del viento.

El cálculo se puede realizar utilizando una red neuronal profunda o utilizando una regresión multivariada simple, un consenso de muestra aleatoria, o árboles de regresión.

La pluralidad de otras turbinas puede incluir todas las demás turbinas del conjunto, o puede comprender sólo un subconjunto de otras turbinas del conjunto. El subconjunto puede determinarse con base en la fuerza de la correlación, por ejemplo, usando un umbral predeterminado con base en valor R2

El cálculo puede ser independiente de la velocidad del viento y/o carecer de datos de medición de la velocidad del viento.

El método puede comprender además una etapa inicial de entrenamiento del modelo predictivo utilizando datos históricos para la turbina objetivo y para la pluralidad de otras turbinas. Se puede utilizar un proceso iterativo para ejecutar predicciones a partir de datos históricos y compararlas con la potencia medida histórica, ajustando las ponderaciones en el modelo para alcanzar un valor de error umbral predeterminado.

Un segundo aspecto de la invención proporciona un sistema de acuerdo con la reivindicación 10.

Otras características opcionales se enumeran en las reivindicaciones dependientes asociadas.

El sistema puede comprender además un almacén de datos para almacenar datos históricos. El almacén de datos y/o uno o más procesadores pueden estar alejados del conjunto de turbinas. Uno o más procesadores y/o el almacén de datos pueden ser parte de un dispositivo móvil o una unidad de monitorización remota alternativa, y pueden tener comunicación por cable o inalámbrica entre sí y/o con una o más turbinas en el conjunto. Alternativamente, uno o más procesadores y/o el almacén de datos pueden integrarse con el conjunto.

El sistema puede implementar etapas del método como se define en relación con el primer aspecto de la invención. También se proporciona una unidad de monitorización de turbina como se define en la reivindicación 14 adjunta y un portador de datos como se define en la reivindicación 15 adjunta.

La unidad de monitorización de turbina puede comprender un almacén de datos como se define en el segundo aspecto de la invención.

El portador de datos puede comprender un dispositivo de memoria informático o un medio de almacenamiento de datos. La unidad de monitorización o el portador de datos pueden implementar etapas del método tal como se definen en relación con el primer aspecto.

La potencia medida se puede promediar durante un período de tiempo determinado para adaptarse a las fluctuaciones de, por ejemplo, ráfagas experimentadas por las turbinas eólicas.

A continuación, se describen con mayor detalle realizaciones prácticas de la invención con referencia a los dibujos adjuntos, de los cuales:

La Figura 1A muestra esquemáticamente un par de turbinas expuestas a una primera dirección del viento;

La Figura 1B es un gráfico que representa la producción de potencia de la primera turbina frente a la producción de potencia de la segunda turbina en la Figura lA;

La Figura 2A muestra esquemáticamente un par de turbinas expuestas a una segunda dirección del viento;

La Figura 2B es un gráfico que representa la producción de potencia de la primera turbina frente a la producción de potencia de la segunda turbina en la Figura 2A;

La Figura 3 muestra esquemáticamente un conjunto de turbinas eólicas;

La Figura 4 muestra la fuerza de correlación entre los datos de producción de potencia de una turbina seleccionada en el conjunto de la Figura 3 con todas las demás turbinas en el conjunto para una tercera dirección del viento; La Figura 5 muestra la fuerza de correlación entre los datos de producción de potencia de una turbina seleccionada en el conjunto de la Figura 3 con todas las demás turbinas en el conjunto para una cuarta dirección del viento;

La Figura 6 muestra una selección de gráficos que representan la producción de potencia de la turbina seleccionada en la Figura 5 frente a la producción de potencia de otras turbinas del conjunto;

La Figura 7 muestra un diagrama de flujo de las etapas implicadas en el entrenamiento de una red neuronal para su uso en la invención;

La Figura 8 muestra un diagrama de flujo de las etapas de validación de la red neuronal;

La Figura 9 muestra un diagrama de flujo de la red neuronal en funcionamiento;

La Figura 10 muestra un diagrama de flujo de la etapa de comparación de la invención;

La Figura 11 muestra un conjunto de ejemplos de resultados para diversas direcciones del viento; y

La Figura 12 muestra un diagrama de flujo de las etapas involucradas en un método alternativo de entrenamiento de una red neuronal.

Como se sugirió anteriormente, la interferencia de otras turbinas en un conjunto es un problema importante para el hermanamiento de turbinas convencional. El método requiere datos libres de turbulencias, por lo que sólo hay datos útiles disponibles cuando las turbinas no interfieren entre sí. Sólo las turbinas situadas en el borde de un conjunto experimentan un flujo de aire limpio y confiable, y aun así sólo en determinadas direcciones del viento.

Debido a los inconvenientes mencionados anteriormente, el enfoque de hermanamiento de turbinas se utiliza con mayor frecuencia cuando se decide si se debe instalar una actualización, tal como un generador de vórtice. El operador necesita saber si el aumento del rendimiento superará el precio de la actualización. En lugar de pagar por todo el sitio de una vez, la actualización se puede instalar en una sola turbina en el borde del conjunto y el rendimiento se puede analizar durante unos meses simplemente para comparar la producción de potencia de la turbina con la de su vecina para obtener direcciones de aire limpio y viento. Los inconvenientes del hermanamiento de turbinas pueden mitigarse fácilmente en este tipo de evaluación porque los datos de otras direcciones del viento pueden ignorarse durante el período de la evaluación, y el par de turbinas puede seleccionarse para que apunte a la dirección predominante del viento. Sin embargo, surgen problemas importantes cuando se aplica el enfoque de hermanamiento de turbinas a la monitorización de turbinas de manera más general.

Por ejemplo, la Figura 1A muestra esquemáticamente un par aislado de turbinas 2,4, experimentando viento 6 del Norte. En el ejemplo de la Figura 1A, se debe asumir que hay mar abierto hacia el Norte, de tal modo que no hay nada que interrumpa el flujo de aire 8,10 limpio hacia la primera turbina 2 o la segunda turbina 4. La fuerte correlación de los datos 12 entre las dos turbinas 2,4 se muestra en la Figura 1B, lo que indica que el emparejamiento de estas dos turbinas 2,4 proporciona una herramienta de comparación útil en las condiciones mostradas. La falta de desplazamiento muestra que ambas turbinas 2, 4 proporcionan sustancialmente la misma producción de potencia, lo que sugiere que no hay fallas, degradación de componentes ni problemas operativos.

Las mismas dos turbinas 2,4 se muestran en la Figura 2A, pero esta vez con el viento 6 del Oeste. En estas condiciones, la primera turbina 2 genera una estela turbulenta que perturba el flujo de aire hacia la segunda turbina 4, con la corriente. El resultado de estos efectos de estela es una región o segmento 14 turbulento en el flujo de aire 10 que llega a la turbina 4 con la corriente. Esto contrasta con el flujo de aire limpio ininterrumpido 8 experimentado por la turbina 2 contra la corriente. La correlación de los datos 16 de producción de potencia entre estas mismas dos turbinas 2,4, como se muestra en la Figura 2B, es notablemente más débil para esta dirección alternativa del viento, debido a los efectos de la estela. También hay un desplazamiento 18 aparente en los datos 16, a favor de la primera turbina 2, lo que indica una menor producción de potencia de la segunda turbina 4. Sin embargo, no hay una manera fácil de determinar si esto es indicativo de una falla o degradación de un componente en la segunda turbina 4 o simplemente un resultado de la obstrucción contra la corriente y el flujo de aire 14 turbulento proporcionado a la segunda turbina 4.

Se entenderá que un viento del Este probablemente daría como resultado una correlación igualmente pobre con un desplazamiento opuesto, debido a que la primera turbina 2 sufriría efectos de estela como resultado de estar con la corriente de la segunda turbina 4.

Incluso a partir de este ejemplo simplificado, se puede ver que no se puede confiar en un simple emparejamiento o hermanamiento de turbinas eólicas adyacentes para proporcionar una comparación confiable para la detección de fallas o degradación de componentes a menos que el viento provenga de una dirección particular.

Esto se vuelve mucho más problemático cuando consideramos una gama completa de turbinas, por ejemplo, en un parque eólico comercial. Incluso si limitamos la consideración a las turbinas en el borde del conjunto, el flujo de aire turbulento de las turbinas adyacentes en el conjunto disminuiría aún más la efectividad de cualquier predicción. Para las turbinas dentro del conjunto, como se muestra por ejemplo en la Figura 3, casi no hay flujo de aire 'limpio' independientemente de la dirección predominante del viento.

La Figura 3 muestra una serie más grande de turbinas, con el flujo de aire limpio y turbulento/obstruido para una turbina 20 seleccionada u objetivo que se ilustra esquemáticamente. La turbina 20 está seleccionada dentro del conjunto y está completamente rodeada por turbinas 22, 24, 26, 28, 30, 32, 34, 36 vecinas. Como resultado, la turbina 20 seleccionada experimentará un flujo de aire 14 turbulento a partir de la mayoría de las direcciones del viento, con sólo unos pocos sectores más pequeños 10 que proporcionarán un flujo de aire limpio y sin obstáculos. Por lo tanto, el hermanamiento de turbinas convencional no es un enfoque viable para monitorizar el rendimiento de la turbina 20 seleccionada.

Por el contrario, la presente invención proporciona un sistema para detectar de forma confiable diferencias de rendimiento independientemente de la posición de la turbina dentro de un conjunto o de la dirección predominante del viento. El sistema aborda estas deficiencias en los sistemas conocidos alejándose de los enfoques convencionales de considerar una turbina individual (como en el análisis de la curva de potencia) o un par de turbinas vecinas (hermanamiento de turbinas) y, en lugar de tomar una visión más global del conjunto bajo consideración. El método se basa en las relaciones de potencia entre turbinas en todo un conjunto, para todas las direcciones del viento, para crear una predicción de la producción de potencia para una turbina determinada.

Se crea un modelo de potencia turbina-turbina de dimensión N para obtener potencia relativa altamente correlacionada a partir de cada dirección del viento y para cada turbina con todas las demás en un parque eólico o un conjunto de turbinas localizadas.

El ejemplo de la Figura 4 ilustra las fuerzas de correlación para la turbina 20 seleccionada y todas las demás turbinas en el conjunto de turbinas localizadas de ejemplo con una dirección 6 del viento a partir del Noroeste. La fuerza de la correlación se da como un valor porcentual en cada caso, donde los valores más altos indican una correlación más fuerte o mejor entre los datos para cada par de salidas de potencia de la turbina. En el ejemplo, los valores muestran que existe una fuerte correlación para todas las turbinas en todo el conjunto. Sin embargo, las cuatro turbinas 24, 34, 38, 40 que muestran la correlación más fuerte se han resaltado como referencia.

La Figura 4 también ilustra esquemáticamente una unidad 39 de monitorización, que comprende uno o más procesadores, para recibir y procesar señales de datos procedentes de las turbinas del conjunto. Como se ilustra, la unidad 39 de monitorización es una unidad remota que se comunica de forma inalámbrica con las turbinas, pero también son posibles conexiones por cable. Se muestra un almacén 41 de datos asociado con la unidad 39 de monitorización. En algunas realizaciones, una única entidad comprenderá el almacén 41 de datos y uno o más procesadores 39.

Alternativamente, el almacén 41 de datos puede estar separado de uno o más procesadores 39 y puede comunicarse mediante transferencia de datos por cable o inalámbrica.

La Figura 5 muestra los valores de correlación para el mismo conjunto de turbinas con el viento 6 del Noreste. La correlación nuevamente es en general buena en todo el conjunto, pero las turbinas 26, 28, 42 con mejor correlación son completamente diferentes de las identificadas en la Figura 4. Esto destaca no sólo el problema de un enfoque simple de monitorización mediante el hermanamiento de turbinas, sino también la importancia del enfoque más global del método descrito.

En la Figura 6 se muestran gráficos seleccionados que muestran la producción de potencia de la turbina 20 objetivo frente a la producción de otras turbinas en el conjunto de la Figura 5. Una vez más, se han destacado como referencia las mejores correlaciones 44, 46, 48. Cabe señalar que la fuerza de la correlación dentro de los datos es más significativa para el método que la comparación directa de las producciones de energía. Por ejemplo, el gráfico 50 muestra que la producción de potencia de las dos turbinas comparadas es equivalente, pero la correlación de los datos dentro del gráfico es menos fuerte que en los gráficos 46 y 48, los cuales muestran un claro desplazamiento en la producción de potencia.

Se ha descubierto que las fuerzas de correlación, una vez establecidas para cada turbina en un conjunto particular, son repetibles y consistentes para una determinada dirección del viento. Por lo tanto, los valores de producción de potencia para una determinada dirección del viento se pueden utilizar dentro de un modelo predictivo. Se puede utilizar una red neuronal profunda (DNN) para crear un valor de predicción. Por lo tanto, se utilizan salidas de potencia para diversas otras turbinas para obtener una salida prevista para la turbina 20 objetivo. Luego, el proceso de aprendizaje iterativo del DNN verifica repetidamente la precisión predictiva y ajusta o sintoniza las ponderaciones hasta que el valor predicho converge con un valor medido para la turbina 20 objetivo.

En las Figuras 7 a 10 se proporcionan diagramas de flujo relacionados con el entrenamiento y el funcionamiento del modelo predictivo.

La Figura 7 ilustra un proceso de entrenamiento para construir un modelo de predicción para la producción de potencia para una única turbina 20 objetivo. Una serie de datos H contiene una serie de vectores ht de datos históricos medidos en un momento t. Cada vector ht histórico contiene valores para la potencia mt medida de la turbina para la turbina 20 objetivo, un valor wdt escalar de la dirección del viento derivado de una o múltiples mediciones de la dirección del viento, y un vector de potencias pt de la turbina para las otras turbinas, todas tomadas en el momento t, junto con una marca tt de tiempo. H1 es un subconjunto o muestra de los vectores ht históricos de h, obtenido a través de una función R de muestreo aleatorio y que representa alrededor del 50% del total de datos en H.

El proceso de entrenamiento en la Figura 7 funciona dividiendo la dispersión de 360° de las posibles direcciones del viento en un número N de segmentos iguales, donde cada segmento abarca un ángulo s de 2n/N radianes para simplificar. Ampliar el modelo simple creando segmentos iguales crea una 'rosa de los vientos' para la cual cada segmento n, de 1 a N, puede considerarse individualmente durante el modelado y el análisis. La dirección del viento se agrupa (es decir, los datos se agrupan por dirección del viento o segmento de la rosa de los vientos) para crear modos de operación para la creación del modelo y la predicción posterior. El valor de N lo puede establecer un usuario, pero normalmente estará en el rango de 8 a 72. Cabe señalar que es completamente posible definir tamaños de segmentos desiguales, que abarquen 360°, ajustando el modelo para tener en cuenta la variación de correlación para ciertos segmentos direccionales.

Una vez en la parte iterativa del entrenamiento, el valor wdt de la dirección del viento se utiliza para determinar el segmento n correcto de la rosa de los vientos y pasar estos datos junto con el vector de potencias pt históricas de la turbina a un modelo D(n) apropiado de la lista D DNN. El modelo D(n) seleccionado toma un vector de entrada de las distintas potencias pt1, pt2, pt3, etc. de la turbina con base en la identidad de la turbina 20 objetivo y la dirección wdt del viento. Luego, el DNN produce una predicción para la turbina 20 objetivo en D(n) y la compara con la potencia mt medida de la turbina del mismo vector ht histórico para proporcionar un error de predicción. Los pesos en el modelo D(n) seleccionado se actualizan con base en el error de predicción y el proceso se repite para el siguiente vector ht histórico en la muestra H1 hasta todos los vectores ht históricos han sido procesados. Luego, todo el proceso se repite hasta que no quedan errores de predicción (lo que indica convergencia en los valores) o se alcanza un número preestablecido (por ejemplo, 10000 o 100000) de épocas.

El proceso de entrenamiento combina la potencia de cada turbina a través de diversas capas dentro del DNN para predecir la producción de potencia de una turbina 20 específica u objetivo, dado un vector (dirección) de viento específico.

Un DNN de ejemplo tiene una capa de entrada, diversas capas ocultas, una capa de salida, y un nodo de predicción con tantos nodos de activación como entradas, además de un sesgo oculto el cual se omite en la mayoría de la documentación de DNN para reducir la complejidad. Los pesos de una red densa van a partir de cada entrada hasta el primer conjunto de nodos de activación. Luego hay capas ocultas las cuales también tienen tantos nodos de activación y todas están conectadas a los nodos de activación de la capa anterior. Cada conexión tiene su propio peso y cada nodo también tiene un sesgo oculto. Esto continúa hasta la capa de salida, donde para una salida de regresión, los nodos de activación de salida (incluido el sesgo oculto) están conectados a un único nodo de salida. Nuevamente, cada conexión de activación de salida tiene un peso. Puede existir otro nivel de complejidad para el cálculo de activación, dependiendo del tipo de función de aprendizaje que se utilice, el cual en esencia escala el producto escalar de pesos y entradas para el cálculo de activación.

El aprendizaje profundo empleado en la invención permite proporcionar ponderaciones para cada turbina dependiendo de la potencia medida de la turbina objetivo y la dirección del viento. Se pueden acomodar relaciones no lineales, de tal modo que la invención proporcione una funcionalidad mucho más allí de un simple factor de multiplicación para una dirección del viento dada.

Cabe señalar que en el método descrito se podrían utilizar redes distintas de las redes densas, tales como, entre otras, redes recurrentes, convolucionales, o de memoria a corto plazo (LSTM) con diversos grados de precisión.

La Figura 8 ilustra una etapa de validación, donde el DNN entrenado D se puede comprobar para todos los vectores. ht en los datos H históricos, incluidos aquellos no incluidos en la muestra H1 aleatoria. Un vector P* de salida de potencias predichas, con predicciones p*t adicionales para los vectores ht no incluido en la muestra aleatoria H1 incluida. Luego, estas predicciones se pueden comparar con los valores de potencia medidos correspondientes para verificar la precisión del modelo. Si la validación indica que la precisión del modelo está fuera de los límites aceptables, por ejemplo, menos del 99.8%, entonces se puede repetir la etapa de entrenamiento. El factor R de muestreo aleatorio proporcionará un conjunto de datos base alternativo para el entrenamiento, y el número de épocas se puede aumentar, por ejemplo en 1000, para intentar mejorar la convergencia. Este proceso se puede repetir tantas veces como sea necesario para obtener la precisión deseada.

El funcionamiento del sistema es fundamentalmente similar al proceso de validación, con los vectores ht históricos reemplazado con vectores ct de datos de monitorización de energía en vivo de cada turbina eólica obtenidos en tiempo real, como se ilustra en la Figura 9. El valor p*t de producción de potencia predicho del modelo forma la base de una comparación con la potencia medida para determinar la degradación del rendimiento.

Cada modelo D(n) utilizado en el método es específico de un segmento n de la rosa de los vientos y, por lo tanto, puede denominarse modelo hiper-gemelo agrupado direccionalmente. Tiene la forma de un DNN que se puede conectar densamente con hasta N nodos de entrada, donde N está limitado al número de turbinas en el conjunto menos uno. El tamaño del agrupador direccional del viento, así como la profundidad y altura del DNN de cada capa oculta son hiper-parámetros que se pueden optimizar mediante prueba y error. Cada DNN tiene un único nodo de salida para garantizar la regresión.

La salida de un modelo hiper-gemelo es una potencia prevista en un intervalo direccional del viento determinado para una turbina específica, con base en una regresión multivariada de salida de potencia de múltiples turbinas utilizando DNN. El aprendizaje profundo elimina intrínsecamente el impacto de ciertas entradas automáticamente cuando los errores de predicción son altos, lo cual a menudo se debe a la escasez de datos.

Un residuo de la potencia prevista menos la potencia real crea un indicador de degradación del rendimiento. Cualquier desviación significativa del rendimiento esperado durante períodos prolongados o con una alta frecuencia recurrente puede considerarse que requiere remediación por parte del equipo de ingeniería del sitio.

Aunque, como se describe, el método considera lecturas de potencia de todas las turbinas distintas de la turbina 20 objetivo al realizar la predicción, también es posible que sólo se pueda utilizar un grupo o subconjunto seleccionado de turbinas.

Por ejemplo, en la Figura 4 hay cuatro turbinas 24, 34, 38, 40 las cuales muestran una mejor correlación que las turbinas restantes del conjunto. Centrarse en la salida de estas cuatro turbinas 24, 34, 38, 40 durante el entrenamiento del DNN y la evaluación posterior de la turbina 20 objetivo reduciría la cantidad de datos que se manejan. Las cuatro turbinas muestran una correlación superior al 91% para la dirección del viento mostrada, lo que sugiere que son muy adecuadas para su uso en la comparación. Los datos de correlación para todas las turbinas en el conjunto se adquieren como una etapa inicial en el método descrito anteriormente, por lo que la etapa inicial de selección o filtrado se puede realizar simplemente estableciendo un valor umbral para la intensidad de la correlación y excluyendo las turbinas que no cumplen con ese criterio.

Esta selección o filtrado puede dar como resultado diferentes vectores de longitud de potencia pt de la turbina en diferentes direcciones del viento. Por ejemplo, si aplicáramos el mismo umbral de correlación del 91% al conjunto como se muestra en la Figura 5, con la dirección del viento Noreste, entonces solo quedarían tres turbinas 26, 28, 42 en el análisis para la misma turbina 20 objetivo en lugar de las cuatro turbinas 24, 34, 38, 40 del ejemplo de la Figura 4, donde el viento era del Noroeste. Se entenderá, por lo tanto, que el número de otras turbinas utilizadas para obtener una producción prevista de una turbina 20 objetivo puede variar dependiendo de una o ambas de la ubicación de la turbina y de la dirección del viento.

Los ejemplos descritos anteriormente excluirían todas las turbinas que mostraran una correlación inferior al 91%, pero el método podría establecer un valor umbral mucho más bajo. Aunque no es un problema en los ejemplos de las Figuras 4 o 5, puede haber turbinas dentro de un conjunto particular que exhiban una correlación muy pobre con una turbina objetivo particular para una o más direcciones del viento. Establecer un valor de umbral bajo puede ayudar a excluir dichas turbinas e impedir que su correlación relativamente pobre ralentice el entrenamiento del DNN. Aplicar una malla de correlación debería ser más rápido que ejecutar datos a través de un DNN completo. El umbral puede basarse por ejemplo, en valor R2.

Debido al funcionamiento del DNN y al ajuste de las ponderaciones durante el entrenamiento, es probable que un conjunto completo de datos de todas las turbinas consideradas proporcione mayor precisión y predicciones más confiables. Sin embargo, en la práctica es probable que exista un compromiso óptimo entre la precisión absoluta y la eficiencia del entrenamiento y el volumen de transferencia de datos requerido.

La Figura 10 muestra la etapa de comparación y la evaluación de la degradación de una turbina eólica determinada. El ejemplo simplificado en la Figura 10 muestra valores 52 de potencia medidos para sólo cuatro turbinas distintas de la turbina objetivo, pero debe entenderse que en la práctica se podrían proporcionar lecturas de potencia para un mayor número de turbinas al DNN D. El DNN D proporciona un valor 54 de potencia previsto con base en estas entradas 52 y ponderaciones DNN, cuya capa final se puede ver en 56 para comparar con un valor 58 medido para la turbina 20 objetivo. Si la comparación 60 muestra una diferencia entre la potencia 58 medida y la potencia 54 prevista, entonces este valor de potencia residual se usa en 62 para crear un valor de desviación de rendimiento pd para la turbina 20 objetivo. El valor de desviación de rendimiento pd se calcula como un error porcentual con base en el error 60 absoluto dividido por la potencia 54 prevista. Por ejemplo, si la potencia 54 prevista para una turbina 20 objetivo es 2.7 MW y la potencia 58 medida es 2.6 MW, entonces el valor de desviación de rendimiento pd sería 0.1/2.7 x 100% = 3%. El valor de desviación de rendimiento pd se compara con un valor umbral en 64. La precisión del modelo de predicción significa que el valor umbral puede ser tan bajo como 0.5%, pero se puede establecer cualquier valor umbral adecuado. Si la comparación en 64 muestra que el valor de desviación de rendimiento pd es mayor que el valor umbral, entonces se puede generar una alerta y se pueden verificar datos operativos tales como guiñada, cabeceo, reducción y potencial de formación de hielo y/o se puede programar inspeccionar la pala u otro tipo de mantenimiento.

La Figura 11 es una muestra de los resultados experimentales obtenidos durante las pruebas del método de análisis con turbinas de 2 MW de La Haute Borne, que muestra la frecuencia y magnitud de la potencia residual (predicha a partir de la potencia real) de acuerdo con la dirección del viento. El agrupamiento final de magnitud captura todas las lecturas de potencia residual iguales o superiores a 10 kW. La mayor desviación 68 entre la potencia prevista y la potencia real registrada en la Figura 11 se produce en la dirección del viento del WNW. Un análisis posterior de la causa de la desviación encontró que el ángulo de paso de la pala estaba fuera de los rangos operativos normales.

A la espera de realizar más pruebas, los resultados iniciales confirman que el método podría usarse para detectar pérdidas tan pequeñas como el 0.5% del rendimiento nominal normal de las turbinas de prueba. No hay ninguna razón por la que pérdidas de magnitud absoluta igual o similar no sean detectables para turbinas eólicas más grandes, por lo que se anticipa que se detectarán pérdidas de rendimiento del 0.2%, 0.1% o menos en turbinas de mayor producción (por ejemplo, 12 MW) que utilicen el mismo modelo.

La alta exactitud y precisión del modelo y método de predicción significa que se ha demostrado que es posible detectar el desgaste general dentro de los componentes de la turbina, así como problemas más importantes como daños o desalineación de las palas.

El método descrito es particularmente eficaz. La producción de potencia de cada turbina está directamente relacionada con el flujo instantáneo de masa de aire, y las turbinas crean una estela que puede afectar el rendimiento de las turbinas cercanas. Sin embargo, las turbinas en posiciones algo desconocidas experimentan un flujo de masa de aire instantáneo muy repetible entre sí para diferentes direcciones del viento. Por lo tanto, las salidas de potencia instantáneas de las turbinas están directamente correlacionadas entre sí. Esto hace que la dirección del viento sea un factor importante para correlacionar el rendimiento de la turbina de acuerdo con el método descrito anteriormente.

La Figura 12 muestra un método alternativo, simplificado, para entrenar un único DNN D. A diferencia del entrenamiento descrito anteriormente ilustrado en la Figura 7, el método alternativo omite la etapa de clasificar o agrupar cada dirección wd particular del viento en un segmento n de una rosa de los vientos, pero el método de entrenamiento es similar al descrito en relación con la Figura 7. Los vectores ht del conjunto H de datos se consideran a su vez, realizándose predicciones utilizando el DNN D y luego comparándolas con un valor mt de potencia medido.

Al no requerir que se 'agrupen' diferentes direcciones del viento, el método de aprendizaje o entrenamiento de 'todas las direcciones' de la Figura 12 requiere menos variables a partir del principio. La desventaja es que los datos de origen tienden a ser más ruidosos y el DNN debe considerar una mayor cantidad de modelos distintos de dirección del viento. El DNN también puede encontrar dificultades con la transición de 360° a 0° si trabaja con valores absolutos. Como resultado, la convergencia suele ser más lenta, lo que significa que se necesitará una mayor cantidad de épocas para reducir los errores de predicción a niveles aceptables. Esto se puede mitigar aumentando la cantidad de datos h históricos utilizados, por lo que este método alternativo quizás sea más adecuado en situaciones donde se dispone de una mayor cantidad de datos históricos.

Aunque anteriormente se describen realizaciones específicas, debe entenderse que se proporcionan a modo de ejemplo únicamente, y no pretenden limitar el alcance de la protección tal como se define con referencia a las reivindicaciones adjuntas. Para un lector experto resultarán evidentes diversas modificaciones dentro del alcance de la reivindicación.

Por ejemplo, el método/modelo podría usarse en múltiples sitios en lugar de limitarse a un único conjunto de turbinas o parque eólico localizado. Esto permitiría monitorizar parques eólicos individuales o muy pequeños mediante la inferencia de relaciones de otros parques que se encuentran en entornos meteorológica y topológicamente comparables.

El método se formuló a partir de la constatación inicial de que las potencias de las turbinas están directamente relacionadas de acuerdo con la dirección del viento y las condiciones ambientales específicas. Por lo tanto, son factibles procesos de regresión multivariada distintos del aprendizaje profundo, por ejemplo, regresión multivariada simple, consenso de muestra aleatoria (RANSAC), árboles de regresión, etc.

El método y el modelo también podrían utilizarse para la monitorización general del estado de los activos, la previsión de la producción del sitio, la planificación de parques eólicos, la modelización meteorológica, y la calibración de instrumentos. Aunque inicialmente se desarrolló y describió en relación con la monitorización de turbinas eólicas, el modelo y el método también podrían usarse para determinar cambios de rendimiento para otras formas de generación de energía, incluidas, entre otras, las turbinas mareomotrices.

El modelo puede incluir una funcionalidad adicional mediante la cual una turbina dentro del conjunto podría actuar como un interruptor para eliminar ciertas turbinas de la consideración o alterar su influencia dentro del modelo. Por ejemplo, si una turbina en particular genera una potencia superior a un umbral determinado, esto puede hacer que el modelo elimine una o más turbinas del modelo.

También existe la posibilidad de incluir una o más turbinas virtuales en el modelo o cálculo predictivo. Esto sería beneficioso si dos de las turbinas reales bajo consideración experimentaran una caída correspondiente en el rendimiento, tal vez debido a fallas correspondientes, que de otro modo podrían pasar desapercibidas en la monitorización.

Claims (15)

REIVINDICACIONES

1. Un método para la detección de fallas de turbinas o degradación de componentes que comprende:

medir la producción de potencia de una pluralidad de turbinas (22, 24, 26) de energía renovable en un conjunto, realizar una comparación de la producción de potencia medida de una turbina (20) objetivo con un valor previsto para la turbina (20) objetivo, en donde el valor previsto es el resultado de un cálculo con base en la producción de potencia medida de una pluralidad de otras turbinas (22,24,26) del conjunto y un modelo predictivo que incluye una ponderación asignada a cada una de la pluralidad de otras turbinas (22,24,26) en función de la fuerza de correlación de sus datos históricos con los datos históricos de la turbina (20) objetivo,

determinar un cambio de rendimiento para la turbina (20) objetivo con base en la comparación; y

emitir una señal de alerta indicativa de una falla o degradación de un componente si se determina un cambio de rendimiento; caracterizado porque

se proporciona un modelo predictivo separado para cada una de una pluralidad de direcciones del viento definidas, y el método selecciona el modelo predictivo que corresponde a la dirección (6) del viento experimentada por la turbina (20) objetivo.

2. Un método de acuerdo con la reivindicación 1, que comprende además la etapa de:

programar la reparación, mantenimiento o inspección de la turbina (20) objetivo con base en la señal de alerta. 3. Un método de acuerdo con la reivindicación 1 o 2, en donde la pluralidad de direcciones del viento se definen como un número predefinido de segmentos iguales (N) de un círculo.

4. Un método de acuerdo con cualquiera de las reivindicaciones anteriores, en donde el cálculo se realiza utilizando una red neuronal profunda.

5. Un método de acuerdo con cualquiera de las reivindicaciones 1 a 3, en donde el cálculo se realiza utilizando regresión multivariada simple, consenso de muestra aleatoria o árboles de regresión.

6. Un método de acuerdo con cualquiera de las reivindicaciones anteriores, en donde la pluralidad de otras turbinas (22, 24, 26) incluye todas las demás turbinas del conjunto.

7. Un método de acuerdo con cualquiera de las reivindicaciones anteriores, en donde la pluralidad de otras turbinas (22, 24, 26) comprende sólo un subconjunto de otras turbinas en el conjunto.

8. Un método de acuerdo con cualquiera de las reivindicaciones anteriores, en donde el cálculo es independiente de la velocidad del viento y/o carece de datos de velocidad del viento como entrada.

9. Un método de acuerdo con cualquier reivindicación anterior, que comprende además una etapa inicial de entrenamiento del modelo predictivo utilizando datos históricos para la turbina objetivo y para la pluralidad de otras turbinas (22, 24, 26).

10. Un sistema que comprende un conjunto de turbinas (22, 24, 26) de energía renovable y uno o más procesadores (39) dispuestos para:

recibir señales indicativas de la producción de potencia de una pluralidad de turbinas (22, 24, 26) en el conjunto, realizar una comparación de la producción de potencia indicada de una turbina (20) objetivo con un valor previsto para la turbina (20) objetivo, en donde el valor previsto es el resultado de un cálculo con base en la producción de potencia indicada de una pluralidad de otras turbinas (22, 24, 26) del conjunto y un modelo predictivo que incluye una ponderación asignada a cada una de la pluralidad de otras turbinas (22, 24, 26) con base en la fuerza de correlación de sus datos históricos con los datos históricos de la turbina (20) objetivo,

determinar un cambio de rendimiento para la turbina (20) objetivo con base en la comparación, y

emitir una señal de alerta indicativa de una falla o degradación de un componente si se determina un cambio de rendimiento; caracterizado porque

se proporciona un modelo predictivo separado para cada una de una pluralidad de direcciones del viento definidas, y el método selecciona el modelo predictivo que corresponde a la dirección (6) del viento experimentada por la turbina (20) objetivo.

11. Un sistema de acuerdo con la reivindicación 10, que comprende además un almacén (41) de datos para almacenar datos históricos.

12. Un sistema de acuerdo con la reivindicación 11, en donde el almacén (41) de datos está alejado del conjunto de turbinas.

13. Un sistema de acuerdo con cualquiera de las reivindicaciones 10 a 12, en donde uno o más procesadores (39) están alejados del conjunto de turbinas.

14. Una unidad de monitorización de turbina que comprende uno o más procesadores (39) dispuestos para recibir señales indicativas de la producción de potencia de una pluralidad de turbinas (22, 24, 26) de energía renovable en un conjunto, en donde uno o más procesadores (39) realizan una comparación de la producción de potencia indicada de una turbina (20) objetivo con un valor previsto para la turbina (20) objetivo, determinar un cambio de rendimiento para la turbina (20) objetivo con base en la comparación, y emitir una señal de alerta indicativa de una falla o degradación del componente si se determina un cambio de rendimiento,

en donde el valor previsto es el resultado de un cálculo con base en la producción de potencia indicada de una pluralidad de otras turbinas (22, 24, 26) del conjunto y un modelo predictivo que incluye una ponderación asignada a cada una de la pluralidad de otras turbinas (22, 24, 26) con base en la fuerza de correlación de sus datos históricos con los datos históricos de la turbina (20) objetivo, y caracterizado porque

se proporciona un modelo predictivo separado para cada una de una pluralidad de direcciones del viento definidas, y el método selecciona el modelo predictivo que corresponde a la dirección (6) del viento experimentada por la turbina (20) objetivo.

15. Un portador de datos que comprende instrucciones legibles por máquina para el funcionamiento de uno o más procesadores (39) para:

recibir señales indicativas de la producción de potencia de una pluralidad de turbinas (22, 24, 26) en un conjunto, realizar una comparación de la producción de potencia indicada de una turbina (20) objetivo con un valor previsto para la turbina (20) objetivo, en donde el valor previsto es el resultado de un cálculo con base en la producción de potencia indicada de una pluralidad de otras turbinas (22, 24, 26) del conjunto y un modelo predictivo que incluye una ponderación asignada a cada una de la pluralidad de otras turbinas (22, 24, 26) con base en la fuerza de correlación de sus datos históricos con los datos históricos de la turbina (20) objetivo,

determinar un cambio de rendimiento para la turbina (20) objetivo con base en la comparación y

emitir una señal de alerta indicativa de una falla o degradación de un componente si se determina un cambio de rendimiento, caracterizado porque

se proporciona un modelo predictivo separado para cada una de una pluralidad de direcciones del viento definidas, y el método selecciona el modelo predictivo que corresponde a la dirección (6) del viento experimentada por la turbina (20) objetivo.