Palabras clave: Aerogenerador; redes neuronales; boosted tree; mantenimiento; energía eólica

Transcripción

1 Detección de fallos de maquinaria en aerogeneradores a partir de datos de SCADA utilizando técnicas de inteligencia artificial. E. Martínez a,*, E. Jiménez b, J. Blanco c, M. Pérez c a Grupo Eólicas Riojanas b Department of Electrical Engineering, University of La Rioja, Logroño, La Rioja, Spain c Department of Mechanical Engineering, University of La Rioja, Logroño, La Rioja, Spain * Corresponding author (e.camara@eolicas.net) Abstract A lo largo de este artículo se propone una metodología que permita detectar posibles fallos de componentes principales de un aerogenerador a partir de los datos recogidos por el sistema SCADA incorporado en el mismo. Para ello se aplican técnicas de inteligencia artificial como redes neuronales o boosted tres para el modelado del comportamiento y la selección óptima de los parámetros de entrada. Finalmente, una vez definida la metodología se aplica a un caso real con datos procedentes de un parque eólico propiedad del Grupo Eólicas Riojanas (GER) ubicado en La Rioja (España). Palabras clave: Aerogenerador; redes neuronales; boosted tree; mantenimiento; energía eólica Introducción A día de hoy las energías renovables han alcanzado una importancia relevante en la sociedad moderna. La causa fundamental de este auge es la necesidad de utilizar fuentes de energía alternativa a los combustibles fósiles y libres de emisiones de CO2 y contaminación. Entre las energías renovables existentes, cabe destacar el espectacular desarrollo e implantación de la energía eólica. Un mercado que ha crecido muy rápidamente en todo el mundo [1] y especialmente en España [2]. De tal forma que el parque de MW instalados y en funcionamiento en España en 2010 asciende a (ver Fig 1.). Por este motivo cada vez se pone más de manifiesto la necesidad de mejorar y optimizar las técnicas de mantenimiento aplicadas a estos sistemas de generación de energía eólica [3, 4]. Fig. 1: Evolución anual y acumulada de la potencia eólica instalada: Dentro de los distintos tipos de averías que se pueden producir en un aerogenerador [5], las más importantes en cuanto a tiempo de parada y pérdida de producción son aquellas ligadas a fallos en alguno de los componentes principales del aerogenerador. Especialmente, en aquellas en las que se hace necesario el cambio de la multiplicadora del aerogenerador (ver Fig 2). 1

2 Fig. 2: Maniobra de cambio de multiplicadora en aerogenerador Por eso se hace necesario buscar formas de detectar problemas o averías en este tipo de componentes a la mayor brevedad posible y, si es posible, aprovechando al máximo los datos de funcionamiento suministrados por el propio aerogenerador, sin necesidad de incluir nuevos componentes o equipos específicos. Descripción del sistema Con esa idea en mente y pensando concretamente en las necesidades específicas de un promotor de parques eólicos (Grupo Eólicas Riojanas-GER), se decidió realizar una investigación que tenga como objetivo predecir con suficiente antelación la posible avería de una multiplicadora en base a los datos disponibles durante el funcionamiento normal de un aerogenerador. GER cuenta en la actualidad con 10 parques eólicos instalados en la comunidad autónoma de La Rioja, distribuido en dos zonas geográficas. Para facilitar el desarrollo de un sistema automatizado para la detección de avería en estos aerogeneradores, lo primero es centralizar y homogeneizar los datos recogidos de los diferentes aerogeneradores. En la Fig. 3 se puede ver la estructura de comunicación de desde los diferentes parques hasta el centro de control de la empresa. Las comunicaciones se realizan mediante tecnología SDH (Synchronous Digital Hierarchy). 2

3 Fig. 3: Esquema general de comunicaciones Para la transmisión de los diferentes datos de monitorización y control del funcionamiento del aerogenerador se realiza mediante el estándar de comunicaciones industriales OPC (Ole for Proccess Control). En cada parque eólico hay instalado un sistema SCADA (Supervisory Control And Data Acquisition) local que cuenta con un servidor OPC para el envío de los datos recogidos de los aerogeneradores. Luego esos datos son recepcionados, almacenados y analizados en un servidor central en las oficinas de la empresa. Metodología El objetivo planteado es desarrollar una metodología que nos permita conocer o detectar funcionamientos anómalos en determinados componentes principales del aerogenerador. A lo largo de este artículo se ha centrado el estudio en el funcionamiento de la multiplicadora, pero igualmente se podría extender el estudio a otros componentes principales como puede ser el generador. Los pasos propuestos en esta metodología pasan por estudiar, conocer y describir los datos de entrada con los que contamos para modelizar el comportamiento del aerogenerador o del componentes específico del mismo bajo estudio [6, 7]. El siguiente paso es seleccionar como parámetros de entrada del modelo aquellos datos que mayor y más relevante información aporten para la definición del mismo. De tal forma que seamos capaces de reducir el número de parámetros y optimizar el modelo que se va a generar. A continuación 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 anomalía en su funcionamiento. Y por último se establecen sistemas que nos permitan detectar desviaciones del funcionamiento respecto al modelo establecido en el paso anterior, así como generar las alarmas correspondientes para avisar a los responsables de mantenimiento de la empresa. A continuación se analizan con más detalle cada una de estos pasos de la metodología: Descripción de datos El objetivo inicial planteado es buscar un parámetro que nos permita detectar el funcionamiento anómalo de la multiplicadora. Los parámetros 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 Descripción Canal Descripción 001 Potencia 036 Temp. Multiplicador 002 Periodo Vibra. Torre 037 Temp. Exterior 003 Factor Potencia 038 Temp. Góndola 004 Potencia Reactiva 039 Temp. Aire en Generador 005 Tensión Fase L1 040 Temp. Rodamiento Multi. 006 Tensión Fase L2 041 Temp. Rodamiento Eje 007 Tensión Fase L3 042 Rel. Velocidad Punta Pala 008 Corriente Fase L1 043 Digital 1 3

4 009 Corriente Fase L2 044 Digital Corriente Fase L3 045 Conex. Interrup. Sincronización 011 Velocidad Generador 046 Aceleración Torre 012 Velocidad Rotor 047 Aceleración Bastidor 013 Pala 1, Posición Real 048 Temp. Rod. B Multiplicadora 014 Velocidad Viento 049 Temp. Transf Posición Góndola 050 Temp. Transf Giro Góndola 051 Temp. Transf Veloc. Gen. (eje alta) 052 Reserva4 018 Desv. Viento (1 s) 053 Reserva5 019 Pala 2, Posición Real 054 Reserva7 020 Pala 3, Posición Real 055 Reserva8 021 Pala 1, Posición Solic. 056 Reserva9 022 Pala 2, Posición Solic. 057 CH1 Alta Resolución 023 Pala 3, Posición Solic. 058 CH2 Alta Resolución 024 Factor Pot., Val. Solic. 059 CH3 Alta Resolución 025 Velocidad n CH4 Alta Resolución 026 Velocidad n Arm. Principal DI1 027 Par Motor, Valor Real 062 Arm. Principal DI2 028 Par Motor, Valor Solic. 063 Arm. Góndola D Estado Funcionamiento 064 Arm. Góndola DI2 030 Canal Arm. Góndola DI3 031 Desv. Viento (10 s) 066 CAN_E/S 032 Temp. Gen Arm. Principal DO1 033 Temp. Gen Arm. Principal DO2 034 Temp. Rodamiento A 069 Arm. Góndola DO1 035 Temp. Rodamiento B 070 Arm. Góndola DO2 Tabla 1: Canales de datos recogidos de los aerogeneradores Si nos centramos en aquellos datos que pueden llevarnos a detectar un mal funcionamiento o un deterioro en la multiplicadora, vemos claramente que la medida de temperatura de multiplicadora (canal 36) es un dato fundamental para modelizar el comportamiento óptimo de la misma. Selección de parámetros Una vez definida la variable que vamos a utiliza para modelizar el comportamiento de la multiplicadora, el siguiente paso es analizar que parámetros de entrada permiten generar un modelo que se ajuste mejor. Para ello se recurre a realizar una clasificación mediante boosting [8, 9], con los resultados que se pueden ver en la Fig. 3 y la Tabla 2. Fig. 3: Importancia de los parámetros de entrada analizados 4

5 Canal Importancia Canal Importancia ,00% ,51% ,54% ,94% ,33% ,73% ,32% ,85% ,70% ,22% ,46% ,88% ,44% ,29% ,72% ,94% ,65% ,86% ,14% ,41% ,26% ,89% ,05% ,70% ,51% ,66% ,23% ,68% ,42% ,00% ,31% ,18% ,31% ,66% ,31% ,31% ,12% ,85% ,12% ,85% ,12% 066 7,44% ,03% 064 6,04% ,94% 069 3,54% ,23% Tabla 2: Importancia de los parámetros de entrada analizados Tras analizar los resultados obtenidos se ha decidido filtrar aquellos parámetros que están por debajo del 75% en cuanto a su importancia a la hora de predecir la temperatura de la multiplicadora. Los parámetros finalmente utilizados para la realización del modelo han sido los 15 que se pueden ver en la Tabla 3. Canal Descripción 001 Potencia 004 Potencia Reactiva 008 Corriente Fase L1 009 Corriente Fase L2 010 Corriente Fase L3 027 Par Motor, Valor Real 028 Par Motor, Valor Solic. 032 Temp. Gen Temp. Gen Temp. Rodamiento B 039 Temp. Aire en Generador 040 Temp. Rodamiento Multi. 049 Temp. Transf Temp. Transf Temp. Transf 3 Tabla 3: Parámetros de entrada considerados para la realización del modelo Desarrollo modelo de funcionamiento normal Para el desarrollo del modelo de comportamiento de funcionamiento normal de la multiplicadora se toman como parámetros de entrada los especificados en la Tabla 3 durante un periodo de un año. Buscando como es lógico datos de un año en el que el funcionamiento de la multiplicadora haya sido correcto, es decir, sin averías reseñables debidas a fallos relacionados con la multiplicadora, como pueden ser elevada temperatura del aceite de la multiplicadora, generación de espuma, colmatación de los filtros de partículas, etc. El modelo se ha realizado con ayuda de programa de minería de datos con licencia GNU (KNIME 2.3.4) mediante el entrenamiento de una red neuronal multicapa (MLP) [10]. 5

6 Fig. 4: Programa de minería de datos para la creación del modelo mediante redes neuronales Detección de desviaciones y generación de alarmas Por último, una vez generado el modelo el último paso será ir comprobando cómo evoluciona la temperatura real de la multiplicadora frente a la prevista por el modelo. De tal forma que cuando se observe un aumento constante de la temperatura real respecto a la prevista, especialmente en periodos de producción nominal del aerogenerador, nos encontraremos ante un signo claro de deterioro de la multiplicadora. A partir de ese momento habrá que seguir vigilando la evolución de este incremento de temperatura y realizar las acciones pertinentes de mantenimiento. Por ejemplo, realizando una video endoscopía para detectar cual 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. 5: Ejemplos de deterioro de componentes de multiplicadora Aplicación a casos reales Una vez establecida la metodología el último paso es aplicarla a casos reales y comprobar su funcionamiento. Para realizar el estudio práctico se ha escogido 1 aerogenerador del parque eólico de Gatún I. Aerogenerador GI-A En el caso del aerogenerador GI-A se han cogido datos del 2006 para realizar el modelo de comportamiento normal. En la Fig. 6 se puede ver el gráfico del error obtenido en cada iteración durante el proceso de entrenamiento de la red neuronal. 6

7 Fig. 6: Error de la red neuronal en cada iteración para el aerogenerador GI-A Para comprobar el error cometido (ver Fig. 7) con el modelo de generado recurrimos al cálculo del error medio absoluto y la desviación estándar del error absoluto, así como al error relativo y a la desviación estándar del mismo (ver Tabla 4). Según las definiciones que se pueden ver a continuación: Siendo el valor previsto por el modelo, el valor real y N el número de datos empleados para la comprobación. GI A MAE 1,27E 02 Std_MAE 3,31E 17 RE 2,28E+00 Std_RE 8,21E 01 Tabla 4: Comprobación del modelo generado para GI-A 7

8 Fig. 7: Comprobación 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 8). Como se puede ver se produce un notable aumento del número de datos que se desvían por encima del 0,05, mostrando el deterioro que existía en la multiplicadora antes de producirse una avería que llevo a la necesidad de sustituirla por otra nueva. Fig. 8: Evolución de la desviación de la temperatura de la multiplicadora frente al modelo 8

9 Conclusiones A lo largo de este artículo se ha descrito una metodología aplicable a parques eólicos en funcionamiento y que permite aprovechar los datos existentes recogidos mediante el sistema SCADA de los aerogeneradores, para realizar un análisis del estado de funcionamiento de uno de los componentes principales del aerogenerador como es la multiplicadora. La combinación de un estudio detallado de los parámetros óptimos para modelizar el comportamiento específico de la temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar de forma eficaz el comportamiento normal de una multiplicadora sin deterioro en su funcionamiento. De tal forma que a partir de ese punto podemos ir analizando de forma periódica el posible proceso de deterioro de la multiplicadora y actuar sobre ella antes de que se produzca una avería irreparable y que obligue a su sustitución. La metodología propuesta se ha testado en un parque eólico en funcionamiento con buenos resultados. References [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 15 (5), pp , 2011 [2] Gómez, A., Zubizarreta, J., Dopazo, C., Fueyo, N. Spanish energy roadmap to 2020: Socioeconomic implications of renewable targets. Energy 36 (4), pp , [3] Tian, Z., Jin, T., Wu, B., Ding, F. Condition based maintenance optimization for wind power generation systems under continuous monitoring. Renewable Energy 36 (5), pp , 2011 [4] Kovács, A., Erdos, G., Viharos, Z.J., Monostori, L. A system for the detailed scheduling of wind farm maintenance. CIRP Annals - Manufacturing Technology, 2011 [5] 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, art. no , 2010 [6] Kusiak, A., Verma, A. Prediction of status patterns of wind turbines: A data-mining approach. Journal of Solar Energy Engineering, Transactions of the ASME 133 (1), art. no , 2011 [7] Tar, K., Szegedi, S. A statistical model for estimating electricity produced by wind energy. Renewable Energy 36 (2), pp , 2011 [8] J. H. Friedman, Stochastic gradient boosting, Comput. Statist. Data Anal., vol. 38, no. 4, pp , [9] J. H. Friedman, Greedy function approximation: A gradient boosting machine, Ann. Statist., vol. 29, no. 5, pp , [10] 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 25 (5), pp ,