Decteccion de Averias en Aerognerdores

PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA

INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
PREDICCIN Y DETECCIN DE AVERAS EN

AEROGENERADORES A PARTIR DE DATOS SCADA
Eduardo Martnez-Cmara*, Emilio Jimnez-Macas**, Julio Blanco-Fernndez**** y Juan Carlos Senz-Dez Muro**
* Grupo Elicas Riojanas. Tfno: +34 941 299524. e.camara@eolicas.net

**Universidad de La Rioja. ETSII. Dpto. Ingeniera Elctrica. Tfno: +34 941 299502 emilio.jimenez@unirioja.es
***Universidad de La Rioja. ETSII. Dpto. Ingeniera Mecnica. Tfno: +34 941 299526. julio.blanco@unirioja.es
Recibido: 6/may/2013 -- Aceptado: 24/oct/2013 DOI: http://dx.doi.org/10.6036/ES5708
FAILURE DETECTION AND PREDICTION IN WIND TURBINES BY

USING SCADA DATA
ABSTRACT: RESUMEN:
This article proposes a method for predicting and detecting Este artculo propone una metodologa para la prediccin y deteccin de
potential failures in the main components of a wind turbine, posibles fallos de componentes principales de un aerogenerador, a partir
based on data collected by a built-in SCADA (Supervisory de los datos recogidos por un sistema SCADA (Supervisory Control And
Control And Data Acquisition) monitoring system. Artificial Data Acquisition) de monitorizacin incorporado en el mismo. Para ello
intelligence techniques such as neural networks and boosted se aplican tcnicas de inteligencia artificial, como redes neuronales o
trees are used to model the behaviour of the system and to boosted trees, para el modelado del comportamiento y la seleccin
select optimal input parameters. Once the method has been ptima de los parmetros de entrada. Finalmente, una vez definida la
defined, it is applied to an actual case study of a malfunction metodologa, se aplica a un caso real de avera en una multiplicadora con
in a multiplier, with data from a wind farm located in la Rioja datos procedentes de un parque elico propiedad del Grupo Elicas
(Spain), owned by Grupo Elicas Riojanas (GER). Riojanas (GER) ubicado en La Rioja (Espaa).
The combination of a detailed study of the optimal parameters La combinacin de un estudio detallado de los parmetros ptimos para
for modelling the specific behaviour of the temperature of the modelizar el comportamiento especfico de la temperatura de la
multiplier and the development of a model based on neural multiplicadora, junto con el desarrollo de un modelo basado en redes
networks enables the normal behaviour of a multiplier to be neuronales, permite caracterizar de forma eficaz el comportamiento
modelled effectively with no deterioration in its operation. normal de la multiplicadora sin deterioro en su funcionamiento. Ello
This means that the potential processes of deterioration in the permite analizar de forma peridica el posible proceso de deterioro de la
multiplier can be analysed regularly and consequently actions multiplicadora y actuar sobre ella antes de que se produzca una avera
can be taken accordingly before an irreparable malfunction irreparable y que obligue a su sustitucin.
requiring replacement.
Palabras clave: Aerogenerador; redes neuronales; rboles de decisin;
Keywords: Wind turbine; neural networks; boosted trees; mantenimiento; energa elica
maintenance; wind energy
1.- INTRODUCCION
Las energas renovables han alcanzado una importancia relevante en la sociedad moderna, adems de un inevitable
incremento en un futuro inmediato. La causa fundamental de este auge es la necesidad de utilizar fuentes de energa
alternativa a los combustibles fsiles y libres de emisiones de CO 2 y contaminacin. Entre las energas renovables
existentes, cabe destacar el espectacular desarrollo e implantacin de la energa elica, un mercado que ha crecido muy
rpidamente en todo el mundo [1] y especialmente en Espaa [2], de tal forma que el parque de MW instalados y en
funcionamiento en Espaa en 2011 asciende a 21.673 MW (Fig. 1) [3]. Por este motivo cada vez se pone ms de
manifiesto la necesidad de mejorar y optimizar las tcnicas de mantenimiento aplicadas a estos sistemas de generacin
de energa elica [4, 5].
Pag. 1 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
INDUSTRIAL
mantenimiento
Evolucin anual y acumulada de la potencia elica instalada

25000 120
Pot. Acumulada (MW)

100,7 100
20000 Pot. Instalada anual (MW)
Tasa variacin (%)
80
77,1
15000
63,1
MW
60
10000 49,4
43,1
40
37,0
30,3
5000 23,2
18,4 20
15,8 14,7
10,6
7,8
5,1
0 0
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Aos
Fig. 1. Evolucin anual y acumulada de la potencia elica instalada: 1998-2011
Dentro de los distintos tipos de averas que se pueden producir en un aerogenerador [6], las ms importantes en cuanto a
tiempo de parada y prdida de produccin son aqullas ligadas a fallos en alguno de los componentes principales del
aerogenerador, especialmente, en aqullas en las que se hace necesario el cambio de la multiplicadora del
aerogenerador. En la Fig. 2 se puede ver una maniobra de cambio de multiplicadora y se pude apreciar el trabajo y el
tiempo que supone, ya que se hace necesario la utilizacin de grandes gras para el montaje y desmontaje de la
multiplicadora y el eje principal, as como un trabajo previo de desacoplar y bajar el rotor completo, y por supuesto
mano de obra especializada. Adems hay que tener en cuenta que este tipo de maniobra slo se puede realizar con poco
viento, sobre todo por las limitaciones de seguridad que implica la bajada del rotor. En conclusin, el coste econmico
de la avera es elevado, y la deteccin previa de la misma podra suponer un considerable ahorro en la operacin.
Fig. 2. Maniobra de cambio de multiplicadora en aerogenerador
Todo ello hace que cada vez se est invirtiendo mayor esfuerzo los aspectos relativos al mantenimiento de parques
elicos, buscando mejorar las predicciones respecto al estado de los componentes y al momento idneo para realizar los
trabajos de mantenimiento [7, 8]. Ello lleva a buscar formas de detectar problemas o averas en este tipo de
componentes a la mayor brevedad posible y, si es posible, aprovechando al mximo los datos de funcionamiento
suministrados por el propio aerogenerador, sin necesidad de incluir nuevos componentes o equipos especficos de
monitorizacin.
Pag. 2 / 10
INDUSTRIAL
mantenimiento
2. MATERIAL Y MTODOS
2.1.- DESCRIPCIN DEL SISTEMA
Con esa idea en mente y pensando concretamente en las necesidades especficas de un promotor de parques elicos
(Grupo Elicas Riojanas-GER), se decidi realizar una investigacin que tuviese como objetivo predecir con suficiente
antelacin la posible avera de una multiplicadora en base a los datos disponibles durante el funcionamiento normal de
un aerogenerador. GER cuenta en la actualidad con 10 parques elicos instalados en la comunidad autnoma de La
Rioja, distribuidos en dos zonas geogrficas. Para facilitar el desarrollo de un sistema automatizado para la deteccin de
averas en estos aerogeneradores, lo primero que se requiere es centralizar y homogeneizar los datos recogidos de los
diferentes aerogeneradores. En la Fig. 3 se puede ver la estructura de comunicacin de desde los diferentes parques
hasta el centro de control de la empresa. Las comunicaciones se realizan mediante tecnologa SDH (Synchronous
Digital Hierarchy).
Fig. 3. Esquema general de comunicaciones
La transmisin de los diferentes datos de monitorizacin y control del funcionamiento del aerogenerador se realiza
mediante el estndar de comunicaciones industriales OPC (Ole for Proccess Control). En cada parque elico hay
instalado un sistema SCADA (Supervisory Control And Data Acquisition) local que cuenta con un servidor OPC para el
envo de los datos recogidos de los aerogeneradores. Luego esos datos son recibidos, almacenados y analizados en un
servidor central en las oficinas de la empresa.
2.2.- METODOLOGA
El objetivo planteado es desarrollar una metodologa que nos permita conocer o detectar funcionamientos anmalos en
determinados componentes principales del aerogenerador. A lo largo de este artculo se ha centrado el estudio en el
funcionamiento de la multiplicadora, pero igualmente se podra extender el estudio a otros componentes principales
como puede ser el generador, pues la metodologa se plantea para cualquiera de los elementos.
Los pasos propuestos en esta metodologa pasan por estudiar, conocer y describir los datos de entrada con los que
contamos para modelar el comportamiento del aerogenerador o del componente especfico del mismo bajo estudio [9,
10].
El siguiente paso es seleccionar, como parmetros de entrada del modelo, aquellos datos que aporten una mayor y ms
relevante informacin para la definicin del mismo, de tal forma que se pueda reducir el nmero de parmetros y
optimizar el modelo que se va a generar.
Pag. 3 / 10
INDUSTRIAL
mantenimiento
A continuacin se define un modelo de funcionamiento normal del aerogenerador o del componente en estudio,
utilizando datos correspondientes a un periodo de tiempo en el que no existe ninguna anomala en su funcionamiento.
Y por ltimo se establecen sistemas que permitan detectar desviaciones del funcionamiento respecto al modelo
establecido en el paso anterior, as como generar las alarmas correspondientes para avisar a los responsables de
mantenimiento de la empresa.
A continuacin se analizan con ms detalle cada uno de estos pasos de la metodologa propuesta:
2.2.1.- Descripcin de datos
El objetivo inicial planteado es buscar un parmetro que permita detectar el funcionamiento anmalo de la
multiplicadora. Los parmetros disponibles en este tipo de aerogenerador, de los cuales se recogen y almacenan
medidas cada 10 minutos, son los que se pueden ver en la Tabla 1.
Canal Descripcin Canal Descripcin

001 Potencia 036 Temperatura Multiplicador
002 Periodo Vibracin Torre 037 Temperatura Exterior
003 Factor Potencia 038 Temperatura Gndola
004 Potencia Reactiva 039 Temperatura Aire en Generador
005 Tensin Fase L1 040 Temperatura Rodamiento Multiplicadora
006 Tensin Fase L2 041 Temperatura Rodamiento Eje
007 Tensin Fase L3 042 Relacin Velocidad Punta Pala
008 Corriente Fase L1 043 Digital 1
009 Corriente Fase L2 044 Digital 2
010 Corriente Fase L3 045 Conexin Interruptor Sincronizacin
011 Velocidad Generador 046 Aceleracin Torre
012 Velocidad Rotor 047 Aceleracin Bastidor
013 Pala 1, Posicin Real 048 Temperatura Rodamiento B Multiplicadora
014 Velocidad Viento 049 Temperatura Transformador 1
015 Posicin Gndola 050 Temperatura Transformador 2
016 Giro Gndola 051 Temperatura Transformador 3
017 Velocidad Generador (eje alta) 052 Reserva4
018 Desviacin Viento (1 s) 053 Reserva5
019 Pala 2, Posicin Real 054 Reserva7
020 Pala 3, Posicin Real 055 Reserva8
021 Pala 1, Posicin Solicitada 056 Reserva9
022 Pala 2, Posicin Solicitada 057 CH1 Alta Resolucin
023 Pala 3, Posicin Solicitada 058 CH2 Alta Resolucin
024 Factor Pot., Val. Solicitada 059 CH3 Alta Resolucin
025 Velocidad n-1 060 CH4 Alta Resolucin
026 Velocidad n-2 061 Armario Principal DI1
027 Par Motor, Valor Real 062 Armario Principal DI2
028 Par Motor, Valor Solicitado 063 Armario Gndola D11
029 Estado Funcionamiento 064 Armario Gndola DI2
030 Canal 30 065 Armario Gndola DI3
031 Desviacin Viento (10 s) 066 CANAL_E/S
032 Temperatura Generador1 067 Armario Principal DO1
033 Temperatura Gen. 2 068 Armario Principal DO2
034 Temperatura Rodamiento A 069 Armario Gndola DO1
035 Temperatura Rodamiento B 070 Armario Gndola DO2
Pag. 4 / 10
INDUSTRIAL
mantenimiento
Tabla 1: Canales de datos recogidos de los aerogeneradores
2.2.2.- Seleccin de parmetros
Una vez definida la variable que se va a utilizar para modelar el comportamiento de la multiplicadora, el siguiente paso
es analizar qu parmetros de entrada permiten generar un modelo que se ajuste mejor. Para ello se recurre a realizar
una clasificacin mediante boosting [11, 12], con los resultados que se pueden ver en la Fig. 4 y la Tabla 2. El boosting
es una tcnica reciente de minera de datos mediante arboles de regresin que ha mostrado un xito considerable a la
hora de mejorar la precisin de las predicciones. Bsicamente lo que busca es aplicar un mtodo numrico de
optimizacin para minimizar la funcin de perdida de precisin en la prediccin del modelo generado. Para el caso que
nos ocupa, se busca modelar el comportamiento de la temperatura de la multiplicadora, por la tanto aplicando la tcnica
de boosting a los parmetros de entrada seremos capaces de valorar qu parmetros tienen un mayor peso a la hora de
mejorar la exactitud de la prediccin.
Fig. 4: Importancia de los parmetros de entrada analizados
Canal Importancia Canal Importancia

039 100,00% 017 67,51%
032 93,54% 012 61,94%
033 94,33% 025 60,73%
028 90,32% 026 60,85%
040 87,70% 046 61,22%
035 86,46% 034 56,88%
001 85,44% 018 52,29%
027 84,72% 005 50,94%
049 78,65% 006 50,86%
050 79,14% 007 50,41%
051 78,26% 047 44,89%
004 76,05% 031 43,70%
009 75,51% 038 43,66%
010 76,23% 037 39,68%
008 75,42% 015 31,00%
013 72,31% 063 19,18%
019 72,31% 041 14,66%
Pag. 5 / 10
INDUSTRIAL
mantenimiento
020 72,31% 016 13,31%

021 72,12% 002 11,85%
022 72,12% 045 11,85%
023 72,12% 066 7,44%
011 70,03% 064 6,04%
014 69,94% 069 3,54%
042 70,23%
Tabla 2: Importancia de los parmetros de entrada analizados
Tras analizar los resultados obtenidos se ha decidido filtrar aquellos parmetros que estn por debajo del 75% en cuanto
a su importancia a la hora de predecir la temperatura de la multiplicadora. De esta forma reduciremos el nmero de
parmetros de entrada sin perder excesiva precisin en el modelo generado. Los parmetros finalmente utilizados para
la realizacin del modelo han sido los 15 que se pueden ver en la Tabla 3.
Canal Descripcin
001 Potencia
004 Potencia Reactiva
008 Corriente Fase L1
027 Par Motor, Valor Real
028 Par Motor, Valor Solicitado
032 Temperatura Generador 1
033 Temperatura Generador 2
035 Temperatura Rodamiento B
039 Temperatura Aire en Generador
040 Temperatura Rodamiento Multiplicadora
049 Temperatura Transformador 1
Tabla 3: Parmetros de entrada considerados para la realizacin del modelo
2.2.3.- Desarrollo modelo de funcionamiento normal
Para el desarrollo del modelo de comportamiento de funcionamiento normal de la multiplicadora se toman como
parmetros de entrada los especificados en la Tabla 3 durante un periodo de un ao. Como es lgico, se buscan datos de
un ao en el que el funcionamiento de la multiplicadora haya sido correcto, es decir, sin averas reseables en el
aerogenerador debidas a fallos relacionados con la multiplicadora, como pueden ser elevada temperatura del aceite de la
multiplicadora, generacin de espuma, colmatacin de los filtros de partculas, etc.
El modelo (ver Fig. 5) se ha realizado con ayuda de programa de minera de datos con licencia GNU (KNIME 2.3.4)
mediante el entrenamiento de una red neuronal multicapa (MLP) [13, 14]. Las redes neuronales son sistemas de
inteligencia artificial que intentan imitar al cerebro humano para resolver problemas especficos. Para ello en un primer
paso buscan aprender de una serie de ejemplos que definan el problema al que se enfrentan. Una vez esta red neuronal
ha sido entrenada, no slo ser capaz de repetir el comportamiento aprendido para unos datos de entrada especficos,
sino que ante entradas nuevas ser capaz de aportar una respuesta nueva que se ajuste al comportamiento del sistema
que se est modelando.
Pag. 6 / 10
INDUSTRIAL
mantenimiento
Fig. 5: Programa de minera de datos para la creacin del modelo mediante redes neuronales
2.2.4.- Deteccin de desviaciones y generacin de alarmas
Por ltimo, una vez generado el modelo, el ltimo paso ser ir comprobando cmo evoluciona la temperatura real de la
multiplicadora frente a la prevista por el modelo. De esa manera, cuando se observe un aumento constante de la
temperatura real respecto a la prevista, especialmente en periodos de produccin nominal del aerogenerador, podr
deducirse la posibilidad de estar ante un signo claro de deterioro de la multiplicadora (ver Fig. 6). A partir de ese
momento habr que seguir vigilando la evolucin de este incremento de temperatura y realizar las acciones pertinentes
de mantenimiento. Por ejemplo, se puede realizar una video-endoscopa para detectar cul es la fuente de ese deterioro
de la multiplicadora (perdida de material en los dientes de los engranajes, bandas de rodadura en los rodamientos, etc.).
Fig. 6: Ejemplos de deterioro de componentes de multiplicadora
3.- RESULTADOS
Una vez establecida la metodologa, el ltimo paso es aplicarla a casos reales y comprobar su funcionamiento. Para
realizar el estudio prctico se ha escogido un aerogenerador especfico correspondiente al parque elico empleado para
el estudio, al que denominaremos G1, nombrando los diferentes molinos con ese nombre seguido de la letra de
identificacin.
3.1.- AEROGENERADOR ESPECFICO

En el caso del aerogenerador especfico G1-A se han cogido datos correspondientes al ao 2006 para realizar el modelo
de comportamiento normal. En la Fig. 7 se puede ver el grfico del error obtenido en cada iteracin durante el proceso
de entrenamiento de la red neuronal.
Pag. 7 / 10
INDUSTRIAL
mantenimiento
Fig. 7: Error de la red neuronal en cada iteracin para el aerogenerador especfico G1-A
Para comprobar el error cometido (ver Fig. 8) con el modelo generado recurrimos al clculo del error medio absoluto y
la desviacin estndar del error absoluto, as como al error relativo y a la desviacin estndar del mismo (ver Tabla 4),
segn las definiciones que se pueden ver a continuacin:
Siendo el valor previsto por el modelo, el valor real, y N el nmero de datos empleados para la
comprobacin.
GI-A
MAE 1,27E-02
Std_MAE 3,31E-17
RE 2,28E+00
Std_RE 8,21E-01
Pag. 8 / 10
INDUSTRIAL
mantenimiento
Tabla 4: Comprobacin del modelo generado para GI-A
Fig. 8: Comprobacin del modelo generado para GI-A
Para analizar el deterioro de la multiplicadora recurrimos a la comparativa de las desviaciones del modelo, en los casos
en los que la temperatura real de la multiplicadora supera la temperatura prevista por el modelo (ver Fig 9). Como se
puede apreciar, se produce un notable aumento del nmero de datos que se desvan por encima del 0,05, mostrando el
deterioro que exista en la multiplicadora antes de producirse una avera que llevo a la necesidad de sustituirla por otra
nueva.
Pag. 9 / 10
INDUSTRIAL
mantenimiento
Fig. 9: Evolucin de la desviacin de la temperatura de la multiplicadora frente al modelo
4.- CONCLUSIONES
A lo largo de este artculo se ha descrito una metodologa aplicable a parques elicos en funcionamiento y que permite
aprovechar los datos existentes recogidos mediante el sistema SCADA de los aerogeneradores, para realizar un anlisis
del estado de funcionamiento de uno de los componentes principales del aerogenerador como es la multiplicadora. La
combinacin de un estudio detallado de los parmetros ptimos para modelizar el comportamiento especfico de la
temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar
de forma eficaz el modelo del comportamiento normal de una multiplicadora sin deterioro en su funcionamiento. A
partir de ese modelo podemos ir analizando de forma peridica el posible proceso de deterioro de la multiplicadora y
actuar sobre ella antes de que se produzca una avera irreparable y que obligue a su sustitucin. La metodologa
propuesta se ha testado en un parque elico en funcionamiento con resultados satisfactorios.
BIBLIOGRAFA
[1] Michalak, P., Zimny, J. Wind energy development in the world, Europe and Poland from 1995 to 2009; Current status and future perspectives.
Renewable and Sustainable Energy Reviews. 2011. Vol.15-5 p. 2330-2341. DOI: http://dx.doi.org/10.1016/j.rser.2011.02.008
[2] Gmez, A., Zubizarreta, J., Dopazo, C., Fueyo, N. Spanish energy roadmap to 2020: Socioeconomic implications of renewable targets.
Energy. 2011. Vol.36-4 p. 1973-1985. DOI: http://dx.doi.org/10.1016/j.energy.2010.02.046
[3] Espaa. Asociacin Empresaria Elica (AEE). Anuario Elica 2012. AEE. Madrid. 2012.
[4] Tian, Z., Jin, T., Wu, B., Ding, F. Condition based maintenance optimization for wind power generation systems under continuous monitoring.
Renewable Energy. 2011. Vol.36-5 p. 1502-1509. DOI: http://dx.doi.org/10.1016/j.renene.2010.10.028
[5] Kovcs, A., Erdos, G., Viharos, Z.J., Monostori, L. A system for the detailed scheduling of wind farm maintenance. CIRP Annals -
Manufacturing Technology. 2011. DOI: http://dx.doi.org/10.1016/j.cirp.2011.03.049
[6] Daneshi-Far, Z., Capolino, G.-A., Henao, H. Review of failures and condition monitoring in wind turbine generators. 19th International
Conference on Electrical Machines, ICEM 2010. 2010. Art. no. 5608150. DOI: http://dx.doi.org/10.1109/ICELMACH.2010.5608150
[7] Koochaki, J., Bokhorst, J.A.C., Wortmann, H., Klingenberg, W. Condition based maintenance in the context of opportunistic maintenance.
International Journal of Production Research. 2012. Vol.50-23 p. 6918-6929. DOI: http://dx.doi.org/10.1080/00207543.2011.636924
[8] Byon, E., Prez, E., Ding, Y., Ntaimo, L. Simulation of wind farm operations and maintenance using discrete event system specification.
Simulation: Transactions of The Society for Modeling and Simulation International. 2011. Vol.87-12 p. 1093-1117. DOI:
http://dx.doi.org/10.1177/0037549710376841
[9] Kusiak, A., Verma, A. Prediction of status patterns of wind turbines: A data-mining approach. Journal of Solar Energy Engineering,
Transactions of the ASME. 2011. Vol.133-1 art. no. 011008. DOI: 10.1115/1.4003188
[10] Tar, K., Szegedi, S. A statistical model for estimating electricity produced by wind energy. Renewable Energy. 2011. Vol.36-2 p. 823-828.
DOI: http://dx.doi.org/10.1016/j.renene.2010.06.032
[11] J. H. Friedman, Stochastic gradient boosting. Computational Statistics & Data Analysis. 2002. Vol.38-4 p. 367378. DOI:
http://dx.doi.org/10.1016/S0167-9473(01)00065-2
[12] J. H. Friedman, Greedy function approximation: A gradient boosting machine. Annals of Statistics. 2001. Vol.29-5 p. 11891232. DOI:
http://dx.doi.org/10.1214/aos/1013203451
[13] Schlechtingen, M., Ferreira Santos, I. Comparative analysis of neural network and regression based condition monitoring approaches for wind
turbine fault detection. Mechanical Systems and Signal Processing. 2011. Vol.25-5 p. 1849-1875. DOI:
http://dx.doi.org/10.1016/j.ymssp.2010.12.007
[14] Alvarez-Huerta A, Gonzalez-Miguelez R, Garcia-Metola D, Noriega-Gonzlez A. Prediccin de la temperatura de la contencin primaria de
una central nuclear mediante redes neuronales". DYNA. 2011. Vol.86-4 p. 467-473. DOI: http://dx.doi.org/10.6036/4025
Pag. 10 / 10

Decteccion de Averias en Aerognerdores

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Decteccion de Averias en Aerognerdores

Caricato da

Copyright:

Formati disponibili

PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A

PARTIR DE DATOS SCADA TECNOLOGA

PREDICCIN Y DETECCIN DE AVERAS EN

* Grupo Elicas Riojanas. Tfno: +34 941 299524. e.camara@eolicas.net

Recibido: 6/may/2013 -- Aceptado: 24/oct/2013 DOI: http://dx.doi.org/10.6036/ES5708

FAILURE DETECTION AND PREDICTION IN WIND TURBINES BY

Evolucin anual y acumulada de la potencia elica instalada

Pot. Acumulada (MW)

Fig. 1. Evolucin anual y acumulada de la potencia elica instalada: 1998-2011

Fig. 2. Maniobra de cambio de multiplicadora en aerogenerador

2.1.- DESCRIPCIN DEL SISTEMA

Fig. 3. Esquema general de comunicaciones

2.2.1.- Descripcin de datos

Canal Descripcin Canal Descripcin

Tabla 1: Canales de datos recogidos de los aerogeneradores

2.2.2.- Seleccin de parmetros

Fig. 4: Importancia de los parmetros de entrada analizados

Canal Importancia Canal Importancia

020 72,31% 016 13,31%

2.2.3.- Desarrollo modelo de funcionamiento normal

2.2.4.- Deteccin de desviaciones y generacin de alarmas

Fig. 6: Ejemplos de deterioro de componentes de multiplicadora

3.1.- AEROGENERADOR ESPECFICO

Tabla 4: Comprobacin del modelo generado para GI-A

Fig. 8: Comprobacin del modelo generado para GI-A

Fig. 9: Evolucin de la desviacin de la temperatura de la multiplicadora frente al modelo

Potrebbero piacerti anche