Растущий спрос на возобновляемые источники энергии привел к глобальному внедрению и быстрому распространению технологий ветряных турбин . Ветровые турбины обычно рассчитаны на 20-летний срок службы [1], однако из-за сложной нагрузки и окружающей среды, в которой они работают, ветряные турбины редко работают до этого возраста без значительного ремонта и обширного обслуживания в течение этого периода. [2] В целях улучшения управления ветряными электростанциями все чаще проводится профилактическое обслуживание, в отличие от планового и реактивного обслуживания, чтобы сократить время простоя и потери продукции. Это достигается за счет использования систем прогностического мониторинга / управления.
Типичная архитектура ветряной турбины состоит из множества сложных систем, таких как многоступенчатые планетарные редукторы , гидравлические системы и множество других электромеханических приводов. Из-за масштабности некоторых механических систем и удаленности некоторых участков ремонт ветряных турбин может быть чрезмерно дорогим и трудным для координации, что приводит к длительным периодам простоя и производственным потерям.
Поскольку в ближайшие годы ожидается, что типовая мощность ветряных турбин превысит 15 МВт [3], в сочетании с недоступностью морских ветряных электростанций, ожидается, что прогнозный метод использования станет еще более распространенным в отрасли.
Прогнозирование ветряных турбин также называется «Управление состоянием активов», «Мониторинг состояния» или «Управление состоянием».
История [ править ]
Ранние маломасштабные ветряные турбины были относительно простыми и, как правило, оснащались минимальными приборами, необходимыми для управления турбиной. В дизайне уделялось мало внимания обеспечению долгосрочной эксплуатации относительно инфантильной технологии. Основные неисправности, приводящие к простою турбины, обычно связаны с трансмиссией или системой шага. [4]
Быстро развивалась технология ветряных турбин. По мере роста мощности, сложности и стоимости турбин произошли значительные улучшения в сложности контрольно-измерительной аппаратуры, устанавливаемой на ветряные турбины, что позволило создать более эффективные системы прогнозирования на более новых ветряных турбинах. В связи с этим наблюдается растущая тенденция модернизации аналогичных систем на существующих ветряных турбинах для эффективного управления устаревшими активами.
Прогностические методы, обеспечивающие профилактическое обслуживание, были обычным явлением в некоторых отраслях промышленности на протяжении десятилетий, таких как аэрокосмическая и другие промышленные применения. Поскольку стоимость ремонта ветряных турбин увеличилась по мере усложнения конструкции, ожидается, что отрасль ветряных турбин примет ряд прогнозных методов и экономических моделей из этих отраслей, таких как почасовой подход для обеспечения доступности. [5]
Сбор данных [ править ]
Методы прогнозирования ветряных турбин можно условно разделить на две категории:
Большинство ветряных турбин оснащены различными приборами от производителя. Однако обычно это ограничивается параметрами, необходимыми для работы турбины, условий окружающей среды и температур трансмиссии . [6] Этот подход к прогнозированию турбин на основе SCADA является наиболее экономичным подходом для более элементарных конструкций ветряных турбин.
Для более сложных конструкций со сложной трансмиссией и системами смазки ряд исследований продемонстрировал ценность систем мониторинга вибрации и прогностического мониторинга масла. [7] В настоящее время они широко доступны в продаже.
Анализ данных [ править ]
После того, как данные собраны бортовыми системами сбора данных, они обычно обрабатываются и передаются в наземную или облачную систему хранения данных.
Исходные параметры и производные индикаторы состояния обычно изменяются во времени. Из-за природы неисправностей трансмиссии они обычно анализируются в частотной области для диагностики неисправностей. [8]
GHE можно генерировать из системы SCADA (диспетчерского управления и сбора данных) ветровой турбины , интерпретируя производительность турбины как ее способность вырабатывать электроэнергию в динамических условиях окружающей среды. Сначала в качестве входных данных выбираются скорость ветра, направление ветра, угол тангажа и другие параметры. Затем для создания базовой модели используются два ключевых параметра, характеризующие выработку ветровой энергии, скорость ветра и фактическую выходную мощность, собранные, когда турбина, как известно, работает в номинальном нормальном состоянии. Когда поступают данные в реальном времени, те же параметры используются для моделирования текущей производительности. GHE получается путем вычисления расстояния между новыми данными и их базовой моделью.
Анализируя тенденции GHE с течением времени, можно сделать прогноз производительности, когда доход от единицы упадет ниже заранее определенного порога безубыточности. Техническое обслуживание должно быть инициировано и направлено на компоненты с низкими значениями LDE. LDE вычисляется на основе измерений системы мониторинга состояния (CMS) и SCADA и используется для обнаружения и диагностики начинающегося отказа на уровне компонентов.
Машинное обучение также используется для сбора и анализа огромных объемов данных, таких как вибрация, температура, мощность и другие, от тысяч ветряных турбин несколько раз в секунду для прогнозирования и предотвращения сбоев. [9]
См. Также [ править ]
- Система поддержки принятия решений
- Прогностика
Ссылки [ править ]
- ^ "Руководство по сертификации DNV" . DNV GL . 2010 г.
- ^ «Почему редукторы ветряных турбин не достигают 20-летней отметки» . Ветроэнергетика и разработка . Проверено 19 февраля 2020 .
- ^ "Ветровая техника нового поколения" . Energy.gov . Проверено 19 февраля 2020 .
- ^ "Энциклопедия отказов ветряных турбин" . ONYX InSight . Проверено 19 февраля 2020 .
- ^ «Снижение сложности обслуживания ветряных турбин» . ONYX InSight . 2019-06-24.
- ^ ORE Catapult (Великобритания). «Методы мониторинга состояния ветряных турбин» (PDF) . РУДНАЯ катапульта .
- ^ Гарсиа Маркес, Фаусто Педро; Тобиас, Эндрю Марк; Пинар Перес, Хесус Мария; Папаэлиас, Майоркинос (01.10.2012). «Мониторинг состояния ветряных турбин: методы и методы». Возобновляемая энергия . 46 : 169–178. DOI : 10.1016 / j.renene.2012.03.003 . ISSN 0960-1481 .
- ^ «Диагностика машин» . ONYX InSight . Проверено 19 февраля 2020 .
- ^ "Neurale netværk kan forudsige, hvornår møllens tandhjul knækker" . Версия2 / Ingeniøren . 2016-11-19 . Проверено 19 ноября +2016 . CS1 maint: обескураженный параметр ( ссылка )
