predicción y detección de averías en

Transcripción

PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA
Rev. 1 del 23/nov/2011
E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN
AEROGENERADORES A PARTIR DE DATOS SCADA
Eduardo Martínez-Cámara*, Emilio Jiménez-Macías**, Julio Blanco-Fernández**** y Juan Carlos Sáenz-Díez Muro**
* Grupo Eólicas Riojanas. Tfno: +34 941 299524. [email protected]
**Universidad de La Rioja. ETSII. Dpto. Ingeniería Eléctrica. Tfno: +34 941 299502 [email protected]
***Universidad de La Rioja. ETSII. Dpto. Ingeniería Mecánica. Tfno: +34 941 299526. [email protected]
Recibido: 6/may/2013 -- Aceptado: 24/oct/2013 – DOI: http://dx.doi.org/10.6036/ES5708
FAILURE DETECTION AND PREDICTION IN WIND TURBINES BY
USING SCADA DATA
ABSTRACT:
RESUMEN:
This article proposes a method for predicting and detecting
potential failures in the main components of a wind turbine,
based on data collected by a built-in SCADA (Supervisory
Control And Data Acquisition) monitoring system. Artificial
intelligence techniques such as neural networks and boosted
trees are used to model the behaviour of the system and to
select optimal input parameters. Once the method has been
defined, it is applied to an actual case study of a malfunction
in a multiplier, with data from a wind farm located in la Rioja
(Spain), owned by Grupo Eólicas Riojanas (GER).
The combination of a detailed study of the optimal parameters
for modelling the specific behaviour of the temperature of the
multiplier and the development of a model based on neural
networks enables the normal behaviour of a multiplier to be
modelled effectively with no deterioration in its operation.
This means that the potential processes of deterioration in the
multiplier can be analysed regularly and consequently actions
can be taken accordingly before an irreparable malfunction
requiring replacement.
Este artículo propone una metodología para la predicción y detección de
posibles fallos de componentes principales de un aerogenerador, a partir
de los datos recogidos por un sistema SCADA (Supervisory Control And
Data Acquisition) de monitorización incorporado en el mismo. Para ello
se aplican técnicas de inteligencia artificial, como redes neuronales o
boosted trees, para el modelado del comportamiento y la selección
óptima de los parámetros de entrada. Finalmente, una vez definida la
metodología, se aplica a un caso real de avería en una multiplicadora con
datos procedentes de un parque eólico propiedad del Grupo Eólicas
Riojanas (GER) ubicado en La Rioja (España).
La combinación de un estudio detallado de los parámetros óptimos para
modelizar el comportamiento específico de la temperatura de la
multiplicadora, junto con el desarrollo de un modelo basado en redes
neuronales, permite caracterizar de forma eficaz el comportamiento
normal de la multiplicadora sin deterioro en su funcionamiento. Ello
permite analizar de forma periódica el posible proceso de deterioro de la
multiplicadora y actuar sobre ella antes de que se produzca una avería
irreparable y que obligue a su sustitución.
Keywords: Wind turbine; neural networks; boosted trees;
maintenance; wind energy
mantenimiento; energía eólica
Palabras clave: Aerogenerador; redes neuronales; árboles de decisión;
1.- INTRODUCCION
Las energías renovables han alcanzado una importancia relevante en la sociedad moderna, además de un inevitable
incremento en un futuro inmediato. La causa fundamental de este auge es la necesidad de utilizar fuentes de energía
alternativa a los combustibles fósiles y libres de emisiones de CO 2 y contaminación. Entre las energías renovables
existentes, cabe destacar el espectacular desarrollo e implantación de la energía eólica, un mercado que ha crecido muy
rápidamente en todo el mundo [1] y especialmente en España [2], de tal forma que el parque de MW instalados y en
funcionamiento en España en 2011 asciende a 21.673 MW (Fig. 1) [3]. Por este motivo cada vez se pone más de
manifiesto la necesidad de mejorar y optimizar las técnicas de mantenimiento aplicadas a estos sistemas de generación
de energía eólica [4, 5].
Pag. 1 / 10
Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected]
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Evolución anual y acumulada de la potencia eólica instalada
25000
120
Pot. Acumulada (MW)
100,7
20000
100
Pot. Instalada anual (MW)
Tasa variación (%)
80
77,1
15000
MW
63,1
60
49,4
10000
43,1
40
37,0
30,3
5000
23,2
18,4
20
15,8
10,6
14,7
7,8
5,1
0
0
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
Años
Fig. 1. Evolución anual y acumulada de la potencia eólica instalada: 1998-2011
Dentro de los distintos tipos de averías que se pueden producir en un aerogenerador [6], las más importantes en cuanto a
tiempo de parada y pérdida de producción son aquéllas ligadas a fallos en alguno de los componentes principales del
aerogenerador, especialmente, en aquéllas en las que se hace necesario el cambio de la multiplicadora del
aerogenerador. En la Fig. 2 se puede ver una maniobra de cambio de multiplicadora y se pude apreciar el trabajo y el
tiempo que supone, ya que se hace necesario la utilización de grandes grúas para el montaje y desmontaje de la
multiplicadora y el eje principal, así como un trabajo previo de desacoplar y bajar el rotor completo, y por supuesto
mano de obra especializada. Además hay que tener en cuenta que este tipo de maniobra sólo se puede realizar con poco
viento, sobre todo por las limitaciones de seguridad que implica la bajada del rotor. En conclusión, el coste económico
de la avería es elevado, y la detección previa de la misma podría suponer un considerable ahorro en la operación.
Fig. 2. Maniobra de cambio de multiplicadora en aerogenerador
Todo ello hace que cada vez se esté invirtiendo mayor esfuerzo los aspectos relativos al mantenimiento de parques
eólicos, buscando mejorar las predicciones respecto al estado de los componentes y al momento idóneo para realizar los
trabajos de mantenimiento [7, 8]. Ello lleva a buscar formas de detectar problemas o averías en este tipo de
componentes a la mayor brevedad posible y, si es posible, aprovechando al máximo los datos de funcionamiento
suministrados por el propio aerogenerador, sin necesidad de incluir nuevos componentes o equipos específicos de
monitorización.
Pag. 2 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
2. MATERIAL Y MÉTODOS
2.1.- DESCRIPCIÓN DEL SISTEMA
Con esa idea en mente y pensando concretamente en las necesidades específicas de un promotor de parques eólicos
(Grupo Eólicas Riojanas-GER), se decidió realizar una investigación que tuviese como objetivo predecir con suficiente
antelación la posible avería de una multiplicadora en base a los datos disponibles durante el funcionamiento normal de
un aerogenerador. GER cuenta en la actualidad con 10 parques eólicos instalados en la comunidad autónoma de La
Rioja, distribuidos en dos zonas geográficas. Para facilitar el desarrollo de un sistema automatizado para la detección de
averías en estos aerogeneradores, lo primero que se requiere es centralizar y homogeneizar los datos recogidos de los
diferentes aerogeneradores. En la Fig. 3 se puede ver la estructura de comunicación de desde los diferentes parques
hasta el centro de control de la empresa. Las comunicaciones se realizan mediante tecnología SDH (Synchronous
Digital Hierarchy).
Fig. 3. Esquema general de comunicaciones
La transmisión de los diferentes datos de monitorización y control del funcionamiento del aerogenerador se realiza
mediante el estándar de comunicaciones industriales OPC (Ole for Proccess Control). En cada parque eólico hay
instalado un sistema SCADA (Supervisory Control And Data Acquisition) local que cuenta con un servidor OPC para el
envío de los datos recogidos de los aerogeneradores. Luego esos datos son recibidos, almacenados y analizados en un
servidor central en las oficinas de la empresa.
2.2.- METODOLOGÍA
El objetivo planteado es desarrollar una metodología que nos permita conocer o detectar funcionamientos anómalos en
determinados componentes principales del aerogenerador. A lo largo de este artículo se ha centrado el estudio en el
funcionamiento de la multiplicadora, pero igualmente se podría extender el estudio a otros componentes principales
como puede ser el generador, pues la metodología se plantea para cualquiera de los elementos.
Los pasos propuestos en esta metodología pasan por estudiar, conocer y describir los datos de entrada con los que
contamos para modelar el comportamiento del aerogenerador o del componente específico del mismo bajo estudio [9,
10].
El siguiente paso es seleccionar, como parámetros de entrada del modelo, aquellos datos que aporten una mayor y más
relevante información para la definición del mismo, de tal forma que se pueda reducir el número de parámetros y
optimizar el modelo que se va a generar.
Pag. 3 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
A continuación se define un modelo de funcionamiento normal del aerogenerador o del componente en estudio,
utilizando datos correspondientes a un periodo de tiempo en el que no existe ninguna anomalía en su funcionamiento.
Y por último se establecen sistemas que permitan detectar desviaciones del funcionamiento respecto al modelo
establecido en el paso anterior, así como generar las alarmas correspondientes para avisar a los responsables de
mantenimiento de la empresa.
A continuación se analizan con más detalle cada uno de estos pasos de la metodología propuesta:
2.2.1.- Descripción de datos
El objetivo inicial planteado es buscar un parámetro que permita detectar el funcionamiento anómalo de la
multiplicadora. Los parámetros disponibles en este tipo de aerogenerador, de los cuales se recogen y almacenan
medidas cada 10 minutos, son los que se pueden ver en la Tabla 1.
Canal
001
002
003
004
005
006
007
008
009
010
011
012
013
014
015
016
017
018
019
020
021
022
023
024
025
026
027
028
029
030
031
032
033
034
035
Descripción
Potencia
Periodo Vibración Torre
Factor Potencia
Potencia Reactiva
Tensión Fase L1
Tensión Fase L2
Tensión Fase L3
Corriente Fase L1
Corriente Fase L2
Corriente Fase L3
Velocidad Generador
Velocidad Rotor
Pala 1, Posición Real
Velocidad Viento
Posición Góndola
Giro Góndola
Velocidad Generador (eje alta)
Desviación Viento (1 s)
Pala 1, Posición Solicitada
Factor Pot., Val. Solicitada
Velocidad n-1
Velocidad n-2
Par Motor, Valor Real
Par Motor, Valor Solicitado
Estado Funcionamiento
Canal 30
Desviación Viento (10 s)
Temperatura Generador1
Temperatura Gen. 2
Temperatura Rodamiento A
Temperatura Rodamiento B
Canal
036
037
038
039
040
041
042
043
044
045
046
047
048
049
050
051
052
053
054
055
056
057
058
059
060
061
062
063
064
065
066
067
068
069
070
Descripción
Temperatura Multiplicador
Temperatura Exterior
Temperatura Góndola
Temperatura Aire en Generador
Temperatura Rodamiento Multiplicadora
Temperatura Rodamiento Eje
Relación Velocidad Punta Pala
Digital 1
Digital 2
Conexión Interruptor Sincronización
Aceleración Torre
Aceleración Bastidor
Temperatura Rodamiento B Multiplicadora
Temperatura Transformador 1
Reserva4
Reserva5
Reserva7
Reserva8
Reserva9
CH1 Alta Resolución
Armario Principal DI1
Armario Principal DI2
Armario Góndola D11
Armario Góndola DI2
Armario Góndola DI3
CANAL_E/S
Armario Principal DO1
Armario Principal DO2
Armario Góndola DO1
Armario Góndola DO2
Pag. 4 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Tabla 1: Canales de datos recogidos de los aerogeneradores
2.2.2.- Selección de parámetros
Una vez definida la variable que se va a utilizar para modelar el comportamiento de la multiplicadora, el siguiente paso
es analizar qué parámetros de entrada permiten generar un modelo que se ajuste mejor. Para ello se recurre a realizar
una clasificación mediante boosting [11, 12], con los resultados que se pueden ver en la Fig. 4 y la Tabla 2. El boosting
es una técnica reciente de minería de datos mediante arboles de regresión que ha mostrado un éxito considerable a la
hora de mejorar la precisión de las predicciones. Básicamente lo que busca es aplicar un método numérico de
optimización para minimizar la función de perdida de precisión en la predicción del modelo generado. Para el caso que
nos ocupa, se busca modelar el comportamiento de la temperatura de la multiplicadora, por la tanto aplicando la técnica
de boosting a los parámetros de entrada seremos capaces de valorar qué parámetros tienen un mayor peso a la hora de
mejorar la exactitud de la predicción.
Fig. 4: Importancia de los parámetros de entrada analizados
Canal
039
032
033
028
040
035
001
027
049
050
051
004
009
010
008
013
019
Importancia
100,00%
93,54%
94,33%
90,32%
87,70%
86,46%
85,44%
84,72%
78,65%
79,14%
78,26%
76,05%
75,51%
76,23%
75,42%
72,31%
72,31%
Canal
017
012
025
026
046
034
018
005
006
007
047
031
038
037
015
063
041
Importancia
67,51%
61,94%
60,73%
60,85%
61,22%
56,88%
52,29%
50,94%
50,86%
50,41%
44,89%
43,70%
43,66%
39,68%
31,00%
19,18%
14,66%
Pag. 5 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
020
72,31% 016
13,31%
021
72,12% 002
11,85%
022
72,12% 045
11,85%
023
72,12% 066
7,44%
011
70,03% 064
6,04%
014
69,94% 069
3,54%
042
70,23%
Tabla 2: Importancia de los parámetros de entrada analizados
Tras analizar los resultados obtenidos se ha decidido filtrar aquellos parámetros que están por debajo del 75% en cuanto
a su importancia a la hora de predecir la temperatura de la multiplicadora. De esta forma reduciremos el número de
parámetros de entrada sin perder excesiva precisión en el modelo generado. Los parámetros finalmente utilizados para
la realización del modelo han sido los 15 que se pueden ver en la Tabla 3.
Canal
Descripción
001
Potencia
004
Potencia Reactiva
008
Corriente Fase L1
009
Corriente Fase L2
010
Corriente Fase L3
027
Par Motor, Valor Real
028
Par Motor, Valor Solicitado
032
Temperatura Generador 1
033
Temperatura Generador 2
035
Temperatura Rodamiento B
039
Temperatura Aire en Generador
040
Temperatura Rodamiento Multiplicadora
049
050
051
Tabla 3: Parámetros de entrada considerados para la realización del modelo
2.2.3.- Desarrollo modelo de funcionamiento normal
Para el desarrollo del modelo de comportamiento de funcionamiento normal de la multiplicadora se toman como
parámetros de entrada los especificados en la Tabla 3 durante un periodo de un año. Como es lógico, se buscan datos de
un año en el que el funcionamiento de la multiplicadora haya sido correcto, es decir, sin averías reseñables en el
aerogenerador debidas a fallos relacionados con la multiplicadora, como pueden ser elevada temperatura del aceite de la
multiplicadora, generación de espuma, colmatación de los filtros de partículas, etc.
El modelo (ver Fig. 5) se ha realizado con ayuda de programa de minería de datos con licencia GNU (KNIME 2.3.4)
mediante el entrenamiento de una red neuronal multicapa (MLP) [13, 14]. Las redes neuronales son sistemas de
inteligencia artificial que intentan imitar al cerebro humano para resolver problemas específicos. Para ello en un primer
paso buscan aprender de una serie de ejemplos que definan el problema al que se enfrentan. Una vez esta red neuronal
ha sido entrenada, no sólo será capaz de repetir el comportamiento aprendido para unos datos de entrada específicos,
sino que ante entradas nuevas será capaz de aportar una respuesta nueva que se ajuste al comportamiento del sistema
que se está modelando.
Pag. 6 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Fig. 5: Programa de minería de datos para la creación del modelo mediante redes neuronales
2.2.4.- Detección de desviaciones y generación de alarmas
Por último, una vez generado el modelo, el último paso será ir comprobando cómo evoluciona la temperatura real de la
multiplicadora frente a la prevista por el modelo. De esa manera, cuando se observe un aumento constante de la
temperatura real respecto a la prevista, especialmente en periodos de producción nominal del aerogenerador, podrá
deducirse la posibilidad de estar ante un signo claro de deterioro de la multiplicadora (ver Fig. 6). A partir de ese
momento habrá que seguir vigilando la evolución de este incremento de temperatura y realizar las acciones pertinentes
de mantenimiento. Por ejemplo, se puede realizar una video-endoscopía para detectar cuál es la fuente de ese deterioro
de la multiplicadora (perdida de material en los dientes de los engranajes, bandas de rodadura en los rodamientos, etc.).
Fig. 6: Ejemplos de deterioro de componentes de multiplicadora
3.- RESULTADOS
Una vez establecida la metodología, el último paso es aplicarla a casos reales y comprobar su funcionamiento. Para
realizar el estudio práctico se ha escogido un aerogenerador específico correspondiente al parque eólico empleado para
el estudio, al que denominaremos G1, nombrando los diferentes molinos con ese nombre seguido de la letra de
identificación.
3.1.- AEROGENERADOR ESPECÍFICO
En el caso del aerogenerador específico G1-A se han cogido datos correspondientes al año 2006 para realizar el modelo
de comportamiento normal. En la Fig. 7 se puede ver el gráfico del error obtenido en cada iteración durante el proceso
de entrenamiento de la red neuronal.
Pag. 7 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Fig. 7: Error de la red neuronal en cada iteración para el aerogenerador específico G1-A
Para comprobar el error cometido (ver Fig. 8) con el modelo generado recurrimos al cálculo del error medio absoluto y
la desviación estándar del error absoluto, así como al error relativo y a la desviación estándar del mismo (ver Tabla 4),
según las definiciones que se pueden ver a continuación:
Siendo
comprobación.
el valor previsto por el modelo,
el valor real, y N el número de datos empleados para la
GI-A
MAE
1,27E-02
Std_MAE
3,31E-17
RE
2,28E+00
Std_RE
8,21E-01
Pag. 8 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Tabla 4: Comprobación del modelo generado para GI-A
Fig. 8: Comprobación del modelo generado para GI-A
Para analizar el deterioro de la multiplicadora recurrimos a la comparativa de las desviaciones del modelo, en los casos
en los que la temperatura real de la multiplicadora supera la temperatura prevista por el modelo (ver Fig 9). Como se
puede apreciar, se produce un notable aumento del número de datos que se desvían por encima del 0,05, mostrando el
deterioro que existía en la multiplicadora antes de producirse una avería que llevo a la necesidad de sustituirla por otra
nueva.
Pag. 9 / 10
TECNOLOGÍA
INDUSTRIAL
Ingeniería de
mantenimiento
Fig. 9: Evolución de la desviación de la temperatura de la multiplicadora frente al modelo
4.- CONCLUSIONES
A lo largo de este artículo se ha descrito una metodología aplicable a parques eólicos en funcionamiento y que permite
aprovechar los datos existentes recogidos mediante el sistema SCADA de los aerogeneradores, para realizar un análisis
del estado de funcionamiento de uno de los componentes principales del aerogenerador como es la multiplicadora. La
combinación de un estudio detallado de los parámetros óptimos para modelizar el comportamiento específico de la
temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar
de forma eficaz el modelo del comportamiento normal de una multiplicadora sin deterioro en su funcionamiento. A
partir de ese modelo podemos ir analizando de forma periódica el posible proceso de deterioro de la multiplicadora y
actuar sobre ella antes de que se produzca una avería irreparable y que obligue a su sustitución. La metodología
propuesta se ha testado en un parque eólico en funcionamiento con resultados satisfactorios.
BIBLIOGRAFÍA
[1] Michalak, P., Zimny, J. “Wind energy development in the world, Europe and Poland from 1995 to 2009; Current status and future perspectives”.
Renewable and Sustainable Energy Reviews. 2011. Vol.15-5 p. 2330-2341. DOI: http://dx.doi.org/10.1016/j.rser.2011.02.008
[2] Gómez, A., Zubizarreta, J., Dopazo, C., Fueyo, N. “Spanish energy roadmap to 2020: Socioeconomic implications of renewable targets”.
Energy. 2011. Vol.36-4 p. 1973-1985. DOI: http://dx.doi.org/10.1016/j.energy.2010.02.046
[3] España. Asociación Empresaria Eólica (AEE). Anuario Eólica 2012. AEE. Madrid. 2012.
[4] Tian, Z., Jin, T., Wu, B., Ding, F. “Condition based maintenance optimization for wind power generation systems under continuous monitoring”.
Renewable Energy. 2011. Vol.36-5 p. 1502-1509. DOI: http://dx.doi.org/10.1016/j.renene.2010.10.028
[5] Kovács, A., Erdos, G., Viharos, Z.J., Monostori, L. “A system for the detailed scheduling of wind farm maintenance”. CIRP Annals Manufacturing Technology. 2011. DOI: http://dx.doi.org/10.1016/j.cirp.2011.03.049
[6] Daneshi-Far, Z., Capolino, G.-A., Henao, H. “Review of failures and condition monitoring in wind turbine generators”. 19th International
Conference on Electrical Machines, ICEM 2010. 2010. Art. no. 5608150. DOI: http://dx.doi.org/10.1109/ICELMACH.2010.5608150
[7] Koochaki, J., Bokhorst, J.A.C., Wortmann, H., Klingenberg, W. “Condition based maintenance in the context of opportunistic maintenance”.
International Journal of Production Research. 2012. Vol.50-23 p. 6918-6929. DOI: http://dx.doi.org/10.1080/00207543.2011.636924
[8] Byon, E., Pérez, E., Ding, Y., Ntaimo, L. “Simulation of wind farm operations and maintenance using discrete event system specification”.
Simulation: Transactions of The Society for Modeling and Simulation International. 2011. Vol.87-12 p. 1093-1117. DOI:
http://dx.doi.org/10.1177/0037549710376841
[9] Kusiak, A., Verma, A. “Prediction of status patterns of wind turbines: A data-mining approach”. Journal of Solar Energy Engineering,
Transactions of the ASME. 2011. Vol.133-1 art. no. 011008. DOI: 10.1115/1.4003188
[10] Tar, K., Szegedi, S. “A statistical model for estimating electricity produced by wind energy”. Renewable Energy. 2011. Vol.36-2 p. 823-828.
DOI: http://dx.doi.org/10.1016/j.renene.2010.06.032
[11] J. H. Friedman, “Stochastic gradient boosting”. Computational Statistics & Data Analysis. 2002. Vol.38-4 p. 367–378. DOI:
http://dx.doi.org/10.1016/S0167-9473(01)00065-2
[12] J. H. Friedman, “Greedy function approximation: A gradient boosting machine”. Annals of Statistics. 2001. Vol.29-5 p. 1189–1232. DOI:
http://dx.doi.org/10.1214/aos/1013203451
[13] Schlechtingen, M., Ferreira Santos, I. “Comparative analysis of neural network and regression based condition monitoring approaches for wind
turbine
fault
detection”.
Mechanical
Systems
and
Signal
Processing.
2011.
Vol.25-5
p.
1849-1875.
DOI:
http://dx.doi.org/10.1016/j.ymssp.2010.12.007
[14] Alvarez-Huerta A, Gonzalez-Miguelez R, Garcia-Metola D, Noriega-González A. “Predicción de la temperatura de la contención primaria de
una central nuclear mediante redes neuronales". DYNA. 2011. Vol.86-4 p. 467-473. DOI: http://dx.doi.org/10.6036/4025
Pag. 10 / 10

predicción y detección de averías en

Transcripción

Documentos relacionados

RESUMEN SIMULACRO v03fotos mod _revista