Tilstandsanalyse av vindturbiner ved bruk av SCADA data

Abstract

Vindenergi er og fortsetter å være en essensiell del av kraftproduksjon globalt sett, og derfor er det viktig å redusere nedetid og vedlikeholdskostnader i vindparker. Kunnskap om årsakene til feil i en vind turbin hjelper operatorer til å ta forebyggende tiltak for å forhindre katastrofale feil og reduserer tiden som trengs for å forbedre feilen.

SCADA systemer samler og lagrer store mengder data om vindturbiner, og for å effektivt analysere dataene trengs det prosedyrer for å filtrere ut unødvendig informasjon. I denne oppgaven blir en matematisk prosedyre for å filtrere irrelevant data basert på cosinus likhet presentert. Og deretter blir den gjenværende dataen manuelt analysert ved å sammenligne sensor data fra to turbiner for å finne sammenhenger mellom sensor data og feilmeldinger.

De metodene som legges frem viser tegn til å oppnå målene, men datakvaliteten er ikke tilstrekkelig for å oppnå konsise resultater. Filtreringsmetoden fjernet en signifikant mengde data, som gjorde analysen av den resterende dataen mere effektiv. Men for å kunne benytte filtreringsmetoden måtte mye data forkastet, da det var feil i store mengder av dataen, noe som økte mengden manuell verifisering nødvendig for å få konkrete resultater.

Wind energy is and continues to be an essential part of power generation worldwide, and therefore it is crucial to reduce downtime and maintenance costs in wind farms. Knowledge about what causes malfunctions in a wind turbine helps operators take measures to prevent more severe malfunctions and reduces the time needed to fix problems.

SCADA systems collect a large amount of data about wind turbines, and to efficiently analyse said data, a method for filtering the data is necessary. A mathematical procedure based on cosine similarities is proposed as a method for comparing the data from two wind turbines and using the result to filter out irrelevant data when finding malfunctions. Furthermore, the remaining data is manually analysed by comparing the two turbines to find patterns that indicate a fault.

The proposed methods show some degree of success in achieving their respective goals; however, data quality was a significant problem. The filtering method reduced the amount of data by a considerable amount, allowing for efficient manual analysis of the remaining data; however, the filtering necessitated a strict removal of any unreliable data. Therefore, substantial amounts of data had to be removed, requiring large amounts of manual verification before conclusions could be drawn.