Fatigue Assessment of Offshore Wind Turbines Using Measurements of Individual Turbines and Machine Learning Techniques

Abstract

Tretthet er ofte en styrende designfaktor for havvindmøller. Siden utformingen av offshore vindturbiner inkluderer konservatisme, kan den faktiske akkumulerte tretthetsskaden være lavere enn hva turbinen er beregnet på. I dette tilfellet kan operatøren avgjøre levetidsforlengelse av eksisterende vindturbiner. Derfor er det viktig å estimere den faktiske akkumulerte tretthetsskaden for å støtte beslutningsprosesser ved forlengelse av levetiden, og for optimalisering av støttestrukturdesign. Imidlertid er tretthetskritiske steder lokalisert i nærheten av mudline hvor det er umulig å installere strain gauges for å måle den akkumulerte tretthetsskaden.

Det første formålet med denne oppgaven er å undersøke om data-drevne tilnærminger (lineær regresjon og feed-forward neurale nettverk) kan brukes til å estimere akkumulert utmattelsesskade både i individuelle turbiner og gårdsbaserte nivåer. Det andre målet er å bestemme minimumsantal sensorer og mengde data som kreves for nøyaktig estimering.

Mot dette målet har man brukt reelle måldata for to offshore-turbiner i samme vindmøllepark. Spesielt har de data-drevne tilnærmingene blitt anvendt med ekte måledata fra SCADA-systemet, målinger øverst og nederst i tårnet, og data fra et bølgemålingssystem. Disse dataene ble brukt til å estimere den akkumulerte utmattelsesskade på flere steder (tårnbunn, overgangsstykke og to nivåer på monopilen) i form av skadeekvivalente belastninger. Gjennom hele studien, 10 min. Statistiske egenskaper til måledataene har blitt brukt som input til læringsalgoritmer. En bemerkning er at estimeringen ikke har blitt utført for tretthetskritisk lokalitet i nærheten av mudline selv, men det forventes at estimering med disse tilnærmingene kan utvides til tretthetskritisk plassering dersom nøyaktig responsestimering på flere steder på understøttestrukturen er mulig.

Resultatene av denne oppgaven viser at de data-drevne tilnærmingene kan gi nøyaktige estimater skade ekvivalent last på individuelt turbinivå på flere steder på støttekonstruksjonen når øyeblikk eller hellingssignaler ved tårnbunn brukes.

For estimering av bedriftsnivåbelastning har det også vist seg at de data-drevne tilnærmingene kan gi ganske nøyaktige estimater for skadeekvivalentbelastningen. Det skal imidlertid bemerkes at turbiner som brukes i denne studien har lignende dynamiske egenskaper. Derfor bør estimatene for farm-wide level belastning med data-drevet tilnærminger undersøkes videre i fremtiden.

Fatigue is often a governing design factor for offshore wind turbines. Since the design of offshore wind turbines includes conservatism, the actual accumulated fatigue damage can be lower than what the turbine is designed for. In this case, the operator can make a decision on life time extension of existing wind turbines. Therefore, it is important to estimate the actual accumulated fatigue damage to support decision making on life time extension, and for optimization of support structure design. However, fatigue critical locations are located near mudline where it is unfeasible to install strain gauges to measure the accumulated fatigue damage.

The first purpose of this thesis is to investigate if data-driven approaches (linear regression and feed-forward neural network) can be applied to estimate the accumulated fatigue damage both in individual turbines and farm-wide levels. The second purpose is to determine the minimum number of sensors and quantity of data required for accurate estimation.

Towards this goal, real measurement data of two offshore turbines in the same wind farm have been used. Specifically, the data-driven approaches have been applied with real measurement data from the SCADA system, measurements at the top and bottom of the tower, and data from a wave measurement system. This data was used to estimate the accumulated fatigue damage at multiple locations (tower bottom, transition piece and two levels on the monopile) in the form of damage equivalent loads. Throughout the study, 10 min. statistical properties of the measurement data have been used as input to the learning algorithms. One remark is that the estimation has not been performed for the fatigue critical location near mudline itself, but it is expected that estimation with these approaches can be expanded to the fatigue critical location if accurate response estimation at multiple locations on the support structure is possible.

The results of this thesis show that the data-driven approaches can give accurate estimates damage equivalent loads on individual turbine level at multiple locations on the support structure when moment or inclination signals at tower bottom is used.

For farm-wide level load estimation as well, it has been proven that the data-driven approaches can give quite accurate estimates the damage equivalent load. However, it should be noted that the turbines used in this study have similar dynamic properties. Therefore, the farm-wide level load estimation with the data-driven approaches should be further investigated in the future.