Reliability models and failure detection algorithms for wind turbines

Resumo

Durante las pasadas décadas, la industria eólica ha sufrido un crecimiento muy significativo en Europa llevando a la generación eólica al puesto más relevante en cuanto a producción energética mediante fuentes renovables. Sin embargo, si consideramos los aspectos económicos, el sector eólico todavía no ha alcanzado el nivel competitivo necesario para batir a los sistemas de generación de energía convencionales. Los costes principales en la explotación de parques eólicos se asignan a las actividades relacionadas con la Operación y Mantenimiento (O&M). Esto se debe al hecho de que, en la actualidad, la Operación y Mantenimiento está basada principalmente en acciones correctivas o preventivas. Por tanto, el uso de técnicas predictivas podría reducir de forma significativa los costes relacionados con las actividades de mantenimiento mejorando así los beneficios globales de la explotación de los parques eólicos. Aunque los beneficios del mantenimiento predictivo se consideran cada día más importantes, existen todavía la necesidad de investigar y explorar dichas técnicas. Modelos de fiabilidad avanzados y algoritmos de predicción de fallos pueden facilitar a los operadores la detección anticipada de fallos de componentes en los aerogeneradores y, en base a ello, adaptar sus estrategias de mantenimiento. Hasta la fecha, los modelos de fiabilidad de turbinas eólicas se basan, casi exclusivamente, en la edad de la turbina. Esto es así porque fueron desarrollados originalmente para máquinas que trabajan en entornos ‘amigables’, por ejemplo, en el interior de naves industriales. Los aerogeneradores, al contrario, están expuestos a condiciones ambientales altamente variables y, por tanto, los modelos clásicos de fiabilidad no reflejan la realidad con suficiente precisión. Es necesario, por tanto, desarrollar nuevos modelos de fiabilidad que sean capaces de reproducir el comportamiento de los fallos de las turbinas eólicas y sus componentes, teniendo en cuenta las condiciones meteorológicas y operacionales en su emplazamiento. La predicción de fallos se realiza habitualmente utilizando datos que se obtienen del sistema de Supervisión Control y Adquisición de Datos (SCADA) o de Sistemas de Monitorización de Condición (CMS). Cabe destacar que en turbinas eólicas modernas conviven ambos tipos de sistemas y la fusión de ambas fuentes de datos puede mejorar significativamente la detección de fallos. Esta tesis pretende mejorar las prácticas actuales de Operación y Mantenimiento mediante: (1) el desarrollo de modelos avanzados de fiabilidad y detección de fallos basados en datos que incluyan las condiciones ambientales y operacionales existentes en los parques eólicos y (2) la aplicación de nuevos algoritmos de detección de fallos que usen las condiciones ambientales y operacionales del emplazamiento, así como datos procedentes tanto de sistemas SCADA como CMS. Estos dos objetivos se han dividido en cuatro tareas. En la primera tarea se ha realizado un análisis exhaustivo tanto de los fallos producidos en un amplio conjunto de aerogeneradores (amplio en número de turbinas y en longitud de los registros) como de sus tiempos de parada asociados. De esta forma, se han visualizado los componentes que más fallan en función de la tecnología del aerogenerador, así como sus modos de fallo. Esta información es vital para el desarrollo posterior de modelos de fiabilidad y mantenimiento. En segundo lugar, se han investigado las condiciones meteorológicas previas a sucesos con fallos de los principales componentes de los aerogeneradores. Se ha desarrollado un entorno de aprendizaje basado en datos utilizando técnicas de agrupamiento ‘k-means clustering’ y reglas de asociación ‘a priori’. Este entorno es capaz de manejar grandes cantidades de datos proporcionando resultados útiles y fácilmente visualizables. Adicionalmente, se han aplicado algoritmos de detección de anomalías y patrones para encontrar cambios abruptos y patrones recurrentes en la serie temporal de la velocidad del viento en momentos previos a los fallos de los componentes principales de los aerogeneradores. En la tercera tarea, se propone un nuevo modelo de fiabilidad que incorpora directamente las condiciones meteorológicas registradas durante los dos meses previos al fallo. El modelo usa dos procesos estadísticos separados, uno genera los sucesos de fallos, así como ceros ocasionales mientras que el otro genera los ceros estructurales necesarios para los algoritmos de cálculo. Los posibles efectos no observados (heterogeneidad) en el parque eólico se tienen en cuenta de forma adicional. Para evitar problemas de ‘over-fitting’ y multicolinearidades, se utilizan sofisticadas técnicas de regularización. Finalmente, la capacidad del modelo se verifica usando datos históricos de fallos y lecturas meteorológicas obtenidas en los mástiles meteorológicos de los parques eólicos. En la última tarea se han desarrollado algoritmos de predicción basados en condiciones meteorológicas y en datos operacionales y de vibraciones. Se ha ‘entrenado’ una red de Bayes, para predecir los fallos de componentes en un parque eólico, basada fundamentalmente en las condiciones meteorológicas del emplazamiento. Posteriormente, se introduce una metodología para fusionar datos de vibraciones obtenidos del CMS con datos obtenidos del sistema SCADA, con el objetivo de analizar las relaciones entre ambas fuentes. Estos datos se han utilizado para la predicción de fallos en el eje principal utilizando varios algoritmos de inteligencia artificial, ‘random forests’, ‘gradient boosting machines’, modelos generalizados lineales y redes neuronales artificiales. Además, se ha desarrollado una herramienta para la evaluación on-line de los datos de vibraciones (CMS) denominada DAVE (‘Distance Based Automated Vibration Evaluation’). Los resultados de esta tesis demuestran que el comportamiento de los fallos de los componentes de aerogeneradores está altamente influenciado por las condiciones meteorológicas del emplazamiento. El entorno de aprendizaje basado en datos es capaz de identificar las condiciones generales y temporales específicas previas a los fallos de componentes. Además, se ha demostrado que, con los modelos de fiabilidad y algoritmos de detección propuestos, la Operación y Mantenimiento de las turbinas eólicas puede mejorarse significativamente. Estos modelos de fiabilidad y de detección de fallos son los primeros que proporcionan una representación realística y específica del emplazamiento, al considerar combinaciones complejas de las condiciones ambientales, así como indicadores operacionales y de estado de operación obtenidos a partir de la fusión de datos de vibraciones CMS y datos del SCADA. Por tanto, este trabajo proporciona entornos prácticos, modelos y algoritmos que se podrán aplicar en el campo del mantenimiento predictivo de turbinas eólicas.