vgb - research project wind turbine scada-based condition

VGB - Research ProjectWind Turbine SCADA-based Condition Monitoring

Prof. Dr. Ralf Schelenz

Björn Roscher, M. Sc.

Potsdam, 07th of November 2019

VGB - Project: Wind Turbine SCADA-based: Condition Monitoring


Potsdam| 07th November 2019

2

Center for Wind Power Drives – Concept and Integration

I3-Institute: Integrated Interdisciplinary Institute:

aerodynamics, control technology, electrical and mechanical

engineering under one umbrella

Industrial Partnerships: OEM & Suppliers




3

• Simulation

Wer ist CWD?

• Test

4 MW

1 MW

C2x92

C6x126 C6x164 C10x195

C3x126

C3x132

C3x138

C12x220

Flexible Multibody Simulation




4

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur

SCADA-based Condition Monitoring




5

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur





6

Datengrundlage

1 10 100 1000

Deutschland

Schweden

Großbritanien

Polen

Österreisch

Frankreich

Anzahl von WEA




7

Datengrundlage

Vestas10%

Siemens59%

Nordex6%

GE3%

Senvion13%

Enercon9%

OEM

0

50

100

150

200

Anzahl von W

EA

Gesamte Anzahl von SCADA Zeitpunkten von 2012-2018

1027 JahreÜber 5 TWh




8

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur





9

Hä

ufig

ke

it[%

]

• Erstellung einer idealen Leistungskurve

für jeden Windpark

Windparkvergleich

• Verwendung der Bin-Methode für jede

Windgeschwindigkeit− Zählung der vorliegenden Leistungen




10

Hä

ufig

ke

it[%

]

• Erstellung einer idealen Leistungskurve

für jeden Windpark

Windparkvergleich

Häu

fig

ke

ita

uß

erh

alb

de

r

Norm

alk

urv

e[%

]

Zeit→

WE

A N

um

me

r→




11

• Vergleich der Lager Temperaturen

zwischen den WEA für jeden Zeitpunkt

• Berücksichtigung des aktuellen Betriebs

Windparkvergleich

60 °

52 °

45 °

57 °

65 °

56 °

54 °

57 °

60 °

59 °

59 °

58 °

ത𝑃 = 56,83°𝜎 = 4,95°

Hä

ufig

ke

it[%

]

Häufigkeit der WEA unterhalb des Durchschnitts




12

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur





13

• Verwendung von Feed-Forward Neuronale Netze und Entscheidungsbäumen− Stündlich gemittelte Daten

− Ignorieren von längeren Stillstandzeiten

Maschinelles Lernen

Initia

lisie

run

g

Stillstandszeit

Welche Signale sind hier wichtig?

Warnung Fehlalarm




14

• Verwendung von Feed-Forward Neuronale Netze und Entscheidungsbäumen− Stündlich gemittelte Daten

− Ignorieren von längeren Stillstandzeiten

• Beobachtende Simulation in Abgleichung mit Messwerten

Maschinelles Lernen

Me

hrf

ach

e d

er

Sta

nd

ard

ab

we

ich

un

g [-]

Differenz

Warnung

Fehler




15

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur





16

Event-Muster

IGBT (Sicherung)

3 Tage

IGBT (Sicherung)IGBT

Defekt

Stillstand:12 h




17

• Erstellen einer Sequenz der Events− Zeitraum von 2 Wochen

− Resultierender Stillstand länger als 6 h

− Zählung der Häufigkeiten der Events

− Ignorieren von Remote-Zugriffen

Event-MusterE

ve

nt

1

Eve

nt

2

Eve

nt

3

Eve

nt

4

Eve

nt

5

Eve

nt

6

Eve

nt

7

…

Sti

lls

tan

d

(>6

h)

31 8 14 0 0 55 52 0

42 38 24 1 1 90 84 1

27 8 26 0 1 63 62 1

27 40 17 0 0 75 67 0

18 2 25 0 0 39 38 1

Event ID

Hä

ufig

ke

it[-

]

Kein

StillstandStillstand

475 425

Stillstand ist unabhängig von der Häufigkeit

der meisten Events.




18

• Erstellen einer Sequenz der Events− Zeitraum von 2 Wochen

− Resultierender Stillstand länger als 6 h

− Zählung der Häufigkeiten der Events

− Ignorieren von Remote-Zugriffen

Event-Muster

Welche Events haben einen längeren

Stillstand zur Folge?

Realität

Kein

Stillstand

Stillstand

Vo

rhe

rsa

ge

Kein

Stillstand 89,8% 2,4%

Stillstand10,2% 97,6%

Bei Auftreten bestimmter Events folgt ein

Stillstand.




19

Datengrundlage

Maschinelles

LernenEvent-Muster

Physikalische

Modelle

Turbinen-

vergleich im

Windpark

Projektstruktur





20

• Durch Nachlaufeffekte:− Reduzierte Windgeschwindigkeit

− Erhöhte Turbulenz

Physikalische Modelle

Simulation Realität

Windverteilung

103

106

109

0

Lo

ad c

ycle

s 𝑛

103

106

109

0

Lo

ad c

ycle

s 𝑛

Lastamplitude

Mitte

lwe

rt

Lastamplitude

Mitte

lwe

rt

Simulation und Messung zeigen ähnliche Trends.




21

Physikalische ModelleVerknüpfung SCADA und MBS Umgebung

Time

Pow

er

MBS

SCADA

WT Control

Aerodynamic system Mechanical system Electrical system

[Quelle: VEM]

[Source: VEM]

Automatisierte Anpassung

des Modells

➔Minderung von Error

zwischen MBS und

SCADA

Aussicht

Thank youfor your Attention!

vgb - research project wind turbine scada-based condition

Documents