Optimization of Predictive Maintenance Planning for Offshore Wind Farms Considering the Wake Effect

Abstract

Overgangen til fornybare energikilder er avgjørende for å nå klimamålene. Mens landbasert vind er en veletablert teknologi med en omfattende verdikjede, er havvind fortsatt i en utviklingsfase. Globalt står landbasert vind for over 90% av den totale installerte vindkraftkapasiteten. I løpet av de siste tiårene har interessen for havvind økt, og forventningene er at havvind vil vokse betydelig i årene som kommer. Havvind har sine fordeler, som bedre vindforhold med høyere og mer stabile vindhastigheter, noe som gir økt kraftproduksjon. I tillegg gir tilgjengeligheten på større områder og muligheten til å installere større vindturbiner store fordeler. Trenden innen havvind er at vindparkene blir enda større i omfang og at de plasseres stadig lengre til havs. Dette byr imidlertid på en del problemer, ettersom forholdene til havs er mye tøffere enn på land. Tøffere værforhold sliter mer på vindturbinene, noe som øker behovet for vedlikhold. Summen av dette bidrar til høyere drifts- og vedlikeholdskostander for havvind sammenliknet med landbasert vind. Optimalisering av vedlikeholdet er derfor en viktig del av å redusere kostandene knyttet til havvind og for å gjøre havvind mer konkurransedyktig ovenfor alternative energikilder.

Ufordringen med vedlikehold av tyngre komponenter, slik som blader, generatorer og girkasser, er at det krever spesialbygde fartøy som ofte må bestilles en god tid i forveien. Dette introduserer flere usikkerhetsmomenter knyttet til fremtidig værfordhold og vedlikeholdsbehov. En annen utfordring i vindparker, er at vindturbiner lokalisert i "skyggen" (vaken) av andre vindturbiner opplever redusert vindhastighet og økt turbulens. Dette fenomentet blir omtalt som vakeeffekten. Redusert vindhastighet gir lavere kraftproduksjon og økt turbulens fører til økt slitasje på vindturbinene. Det er derfor viktig å addressere vakeffekten, både for å maksimere kraftproduksjonen til vindparken, men også for å redusere behovet for vedlikehold. Hovedmålet med denne masteroppgaven er derfor å lage en to-stegs stokastisk modell som ved å betrakte vakeeffekten kan prediktere behovet for vedlikehold en god tid i forveien når bestilling av fartøy må tas, og på den måten optimalisere vedlikeholdsplanlegging for havvindparker. Den stokastiske modellen bestemmer antall vindturbinblader som skal bestilles og varigheten av charterperioden til fartøyet i førstestegsvalget. Andrestegsvalget bestemmer hvilke vindturbineblader som skal byttes, gitt et førstestegsvalg, for å minimere nedetidskostanden. Den stokastiske modellen betrakter usikkerheten knyttet til vindhastighet, vindretning og fremtidig svikt. For å kunne esitmere vakeeffekten blant vindturbinene i vindparken, anvendes vake-, turbulens-, superposisjons- og defleksjonsmodeller, som sammen kombineres til en vindparkmodell. Denne vindparkmodellen kombineres så med en degrasjonsmodell, representert av Wienerprosessen med lineær drift, for å kunne estimere fremtidig tilstand og forventet nedetidskostnad blant vindturbinene. Kombinasjonen av vindparkmodellen og degrajonsmodellen brukes til å esitmere degrasjonsnivået til vindturbinene ved andrestegsvalget gjennom Monte Carlo simulering. Hovedfunnene ved oppgaven er at ved å betrakte den økte turbulensen i vaken, kan betydelig kostnadsbesparelser oppnås ved å ta et bedre førstestegsvalg. I tillegg vil optimalisering av kraftproduksjone i vindparken gjennom yawing gi betydelige ekstrainntekter.

The transition to renewable energy sources is crucial for achieving climate goals. While onshore wind is a mature technology with a comprehensive supply chain, offshore wind is still in a developmental stage. Globally, onshore wind accounts for over 90% of the total installed wind power capacity. Over the past decades, the interest in offshore wind has increased and is expected to grow significantly in the coming years. The advantages of offshore wind include better wind conditions with higher and more stable wind speeds, resulting in increased power production, access to larger areas, and the ability to install larger wind turbines. The trend in offshore wind is toward larger wind farms that are situated farther offshore. However, this presents challenges because offshore conditions are significantly harsher than those on land. Harsher weather conditions result in more wear and tear on the wind turbines, which increasing the need for maintenance. This contributes to higher operation and maintenance costs for offshore wind compared to onshore wind. Therefore, optimizing maintenance is essential to reduce the costs associated with offshore wind and to make it more competitive with alternative energy sources.

The challenge of maintaining heavy components, such as blades, generators, and gearboxes, is that it requires specialized vessels, which often must be chartered well in advance. This introduces several uncertainties related to future weather conditions and maintenance requirements. Another challenge in wind farms is that wind turbines located in the "shadow" (wake) of other wind turbines experience reduced wind speed and increased turbulence. This phenomenon is referred to as the wake effect. Reduced wind speed results in lower power production, and increased turbulence leads to greater fatigue loading on wind turbines. Therefore, it is essential to address the wake effect, both to maximize the power production of the wind farm and to reduce the need for maintenance. The main objective of this master's thesis is to develop a two-stage stochastic model that, by considering the wake effect, optimizing maintenance planning for offshore wind farms. The first stage decision determines the number of wind turbine blades to order and the duration of the vessel charter period. The second stage decision determines which wind turbine blades to replace, given the first stage decision, to minimize downtime costs. The stochastic model considers uncertainty related to wind speed, wind direction, and future failures. To estimate the wake effect among wind turbines in the wind farm, wake, turbulence, superposition, and deflection models are applied, which are then combined into a wind farm model. This wind farm model is then combined with a degradation model, represented by the Wiener process with linear drift, to estimate future degradation levels and expected downtime costs among the wind turbines. The combination of the wind farm model and the degradation model is used to estimate the degradation level of the wind turbines in the second-stage decision through Monte Carlo simulation. The main findings of the thesis are that by considering the increased turbulence in the wake, significant cost savings can be achieved by making a better first stage decision. Additionally, optimizing power production in the wind farm through yawing will result in significant additional revenue compared to not considering the wake effect.