ES2947817T3 - Método y sistema de supervisión del estado de un aerogenerador - Google Patents
Método y sistema de supervisión del estado de un aerogenerador Download PDFInfo
- Publication number
- ES2947817T3 ES2947817T3 ES14906626T ES14906626T ES2947817T3 ES 2947817 T3 ES2947817 T3 ES 2947817T3 ES 14906626 T ES14906626 T ES 14906626T ES 14906626 T ES14906626 T ES 14906626T ES 2947817 T3 ES2947817 T3 ES 2947817T3
- Authority
- ES
- Spain
- Prior art keywords
- wind turbine
- data
- individual
- model
- global
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 230000002950 deficient Effects 0.000 claims abstract description 109
- 230000003862 health status Effects 0.000 claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000036541 health Effects 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/83—Testing, e.g. methods, components or tools therefor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Un método y sistema de monitoreo de la condición de una turbina eólica. El método comprende los siguientes pasos: adquirir datos SCADA históricos e informes de turbinas eólicas correspondientes a los datos SCADA históricos, en los que los datos SCADA históricos cubren los datos de funcionamiento de la turbina eólica, y en los que los informes de la turbina eólica cubren: el estado de salud de la turbina eólica diagnosticada como estado normal o defectuoso, y componente defectuoso con los detalles correspondientes de la falla si la condición de salud de la turbina eólica se diagnostica como estado defectuoso; paso de entrenamiento del modelo: entrenamiento de un modelo general para el diagnóstico general de la turbina eólica, y entrenamiento de diferentes modelos individuales para analizar diferentes componentes de la turbina eólica en función de los datos históricos de SCADA y el informe correspondiente de la turbina eólica, estableciendo la relación entre los datos históricos SCADA y el informe del aerogenerador; paso de diagnóstico general: adquirir datos SCADA en tiempo real, ingresar los datos SCADA en tiempo real en el modelo general entrenado, obtener el estado de salud de la turbina eólica a partir del modelo general entrenado y realizar un paso de diagnóstico individual si el modelo general entrenado determina que la turbina eólica es estado defectuoso; paso de diagnóstico individual: ingreso de datos SCADA en tiempo real al modelo individual capacitado correspondiente al componente defectuoso, y obtención de los detalles de la falla del componente defectuoso del modelo individual capacitado correspondiente al componente defectuoso. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Método y sistema de supervisión del estado de un aerogenerador
Campo técnico
La presente solicitud hace referencia a un método y a un sistema de supervisión del estado de un aerogenerador.
Técnica anterior
La energía eólica se ha convertido en la energía renovable más popular que promete desplazar a la generación de energía térmica contaminante tradicional debido a sus ricos recursos, tecnología madura y cero emisiones. La instalación mundial de aerogeneradores alcanzó los 318 GW a finales de 2013. Con el rápido aumento de la instalación de parques eólicos, los caros costes de operación y mantenimiento y la pérdida de ventas de electricidad durante los periodos de inactividad se convierten en problemas cada vez más acuciantes. Tomando como ejemplo un aerogenerador de 2 MW, según la evaluación de la tesis de máster de KTH, el coste anual asciende a 248,4 kUSD, incluidos 242,7 kUSD en costes de operación y mantenimiento y 5,7 kUSD en pérdidas por venta de electricidad.
En un entorno de este tipo, el mercado desea desarrollar un tipo de producto de sistema de supervisión de estado (SME) que sea capaz de detectar en tiempo real los defectos del aerogenerador, analizar el tipo de fallo e identificar la pieza defectuosa antes de que el aerogenerador evolucione hacia un fallo real. En la actualidad, todos los productos disponibles en el mercado con dicha funcionalidad se basan en sensores adicionales, por ejemplo, de vibración, acústicos, etc. Estos sensores intrusivos no sólo aumentan en gran medida el coste de capital, sino que también provocan la recertificación de los aerogeneradores, ambas cosas indeseables para los operadores de parques eólicos.
El documento US 2011/0313726 describe un sistema de mantenimiento basado en el estado que dispone de instrumentación para recopilar datos de uno o más aerogeneradores y de un supervisor de rendimiento para analizar los datos. Además, el sistema puede tener un detector de anomalías del aerogenerador. La información del supervisor de rendimiento y del detector de anomalías se puede utilizar para indicar los estados de uno o más aerogeneradores. Estos estados pueden servir de base para determinar el mantenimiento recomendado para cualquiera de los aerogeneradores.
Sumario
En consecuencia, un aspecto de la presente invención proporciona un método de supervisión del estado de un aerogenerador, que comprende las siguientes etapas:
etapa de adquisición datos históricos: adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
etapa de entrenamiento del modelo: entrenar un modelo global para el diagnóstico global del aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y el correspondiente informe del aerogenerador, estableciendo una relación entre los datos SCADA históricos y el informe del aerogenerador;
etapa de diagnóstico global: adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global, en donde el estado de salud del aerogenerador identifica si el aerogenerador está en estado normal o defectuoso y, en caso de estado defectuoso, qué componente está defectuoso, y llevar a cabo la etapa de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso;
etapa de diagnóstico individual: introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtención de los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso, en donde los detalles de fallo del componente defectuoso indican una razón de fallo específica del componente defectuoso.
Preferiblemente, la etapa de adquisición datos históricos comprende:
adquirir datos SCADA históricos, y los informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
verificar el informe del aerogenerador para identificar qué sección de datos de los datos SCADA históricos es de estado normal y qué sección de datos de los datos SCADA históricos es de estado defectuoso.
Preferiblemente, la etapa de entrenamiento del modelo comprende:
seleccionar el del algoritmo de exploración de datos global;
entrenar un modelo global para el diagnóstico global del aerogenerador con el algoritmo de exploración de datos global para establecer la relación entre la entrada y la salida del modelo global, la entrada del modelo global son los datos SCADA históricos, la salida del modelo entrenado global es el estado de salud del aerogenerador que incluye los estados normal y defectuoso, y el componente defectuoso si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
seleccionar los algoritmos de exploración de datos individuales para distintos componentes del aerogenerador; entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador con los correspondientes algoritmos de exploración de datos individuales para establecer la relación entre la entrada y la salida del modelo individual, la entrada de cada modelo individual son los datos SCADA históricos, la salida de cada modelo individual son los detalles de fallo del componente individual correspondiente al modelo individual si el componente individual correspondiente al modelo individual es un componente defectuoso.
De forma oportuna, la etapa de entrenamiento del modelo comprende:
verificar la eficacia del modelo global y de los modelos individuales utilizando los datos SCADA históricos.
De forma oportuna, la etapa de diagnóstico global comprende: adquirir datos SCADA en tiempo real;
introducir los datos SCADA en tiempo real en el modelo entrenado global;
ejecutar el modelo entrenado global para implementar el algoritmo de exploración de datos global;
obtener el estado de salud del aerogenerador a partir del modelo entrenado global;
llevar a cabo la etapa de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso.
De forma oportuna, la etapa de diagnóstico individual comprende:
seleccionar el modelo entrenado individual correspondiente al componente defectuoso como el modelo entrenado defectuoso;
introducir los datos SCADA en tiempo real en el modelo entrenado defectuoso;
ejecutar el modelo entrenado defectuoso para implementar el algoritmo de exploración de datos individual correspondiente;
obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado defectuoso.
Otro aspecto de la presente invención proporciona un programa informático que comprende código de programa informático adaptado para llevar a cabo todas las etapas de una cualquiera de las anteriores cuando se ejecuta en un ordenador.
Un aspecto adicional de la presente invención proporciona un programa informático de acuerdo con lo anterior, incorporado en un medio legible por ordenador.
Otro aspecto de la presente invención proporciona un sistema de supervisión del estado del aerogenerador, que comprende los siguientes módulos:
módulo de adquisición de datos históricos, utilizado para adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo de entrenamiento del modelo, utilizado para entrenar un modelo global para diagnosticar globalmente el aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y el correspondiente informe del aerogenerador, estableciendo una relación entre los datos SCADA históricos y el informe del aerogenerador;
módulo de diagnóstico global, utilizado para adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global y llevar a cabo el módulo de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso;
módulo de diagnóstico individual, utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso.
Preferiblemente, el módulo de adquisición de datos históricos comprende:
módulo utilizado para adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo utilizado para verificar el informe del aerogenerador con el fin de identificar qué sección de datos de los datos SCADA históricos es de estado normal y qué sección de datos de los datos SCADA históricos es de estado defectuoso.
Preferiblemente, el módulo de entrenamiento del modelo comprende:
módulo utilizado para seleccionar el algoritmo de exploración de datos global;
módulo utilizado para entrenar un modelo global para el diagnóstico global del aerogenerador con el algoritmo de exploración de datos global para establecer la relación entre la entrada y la salida del modelo global, la entrada del modelo global son los datos SCADA históricos, la salida del modelo entrenado global es el estado de salud del aerogenerador que incluye los estados normal y defectuoso, y el componente defectuoso si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo utilizado para seleccionar algoritmos de exploración de datos individuales para diferentes componentes del aerogenerador;
módulo utilizado para entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador con los correspondientes algoritmos de exploración de datos individuales para establecer la relación entre la entrada y la salida del modelo individual, la entrada de cada modelo individual son los datos SCADA históricos, la salida de cada modelo individual son los detalles de fallo del componente individual correspondiente al modelo individual si el componente individual correspondiente al modelo individual es un componente defectuoso.
De forma oportuna, el módulo de entrenamiento del modelo comprende:
módulo utilizado para verificar la eficacia del modelo global y de los modelos individuales a partir de los datos SCADA históricos.
De forma oportuna, el módulo de diagnóstico global comprende:
módulo utilizado para adquirir datos SCADA en tiempo real;
módulo utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado global;
módulo utilizado para ejecutar el modelo entrenado global para implementar el algoritmo de exploración de datos global;
módulo utilizado para obtener el estado de salud del aerogenerador a partir del modelo entrenado global;
módulo utilizado para llevar a cabo el módulo de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso.
De forma oportuna, el módulo de diagnóstico individual comprende:
módulo utilizado para seleccionar el modelo entrenado individual correspondiente al componente defectuoso como el modelo entrenado defectuoso;
módulo utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado defectuoso;
módulo utilizado para ejecutar el modelo entrenado defectuoso para implementar el algoritmo de exploración de datos individual correspondiente;
módulo utilizado para obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado defectuoso.
La presente invención ha entrenado el modelo global y los modelos individuales con los datos SCADA históricos y la correspondiente información de fallo del aerogenerador, y ha introducido los datos SCADA en tiempo real en el modelo entrenado global para el diagnóstico y en los modelos individuales entrenados para el análisis. La presente invención propone un tipo de método y sistema de supervisión del estado del aerogenerador a nivel remoto, jerárquico y rentable, basado en datos SCADA. Con esta solución, el operador del aerogenerador puede supervisar en tiempo real el estado
del equipo, detectar fallos tempranos y organizar con antelación actividades de mantenimiento predictivo adecuadas. En comparación con la tecnología tradicional basada en sensores intrusivos, la presente invención puede beneficiar al cliente final (operador del aerogenerador) en términos de ahorro de instalación de sensores de supervisión adicionales debido a la tecnología puramente basada en datos SCADA y la aceleración de la eficiencia de ejecución del algoritmo debido a la estructura de concepto jerárquico.
Breve descripción de los dibujos
La Fig. 1 muestra un diagrama de flujo que ilustra un método de supervisión del estado de un aerogenerador de acuerdo con la presente invención;
La Fig. 2 muestra un diagrama de flujo que ilustra la forma de realización preferida de la presente invención;
La Fig.3 muestra el dibujo de un módulo estructural de un sistema de supervisión del estado de un aerogenerador.
Descripción detallada de las formas de realización
En lo sucesivo en la presente memoria, la presente invención se presenta más en detalle mediante las formas de realización particulares en combinación con las figuras.
La Fig. 1 muestra un diagrama de flujo de proceso que ilustra un método de supervisión del estado de un aerogenerador de acuerdo con la presente invención, que incluye las siguientes etapas:
etapa 101: adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
etapa 102: entrenar un modelo global para el diagnóstico global del aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y el correspondiente informe del aerogenerador, estableciendo una relación entre los datos SCADA históricos y el informe del aerogenerador;
etapa 103: adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global, y llevar a cabo una etapa de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso;
etapa 104: introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso.
Los datos SCADA se recopilan del sistema de control de supervisión y adquisición de datos (SCADA). El sistema SCADA es un sistema de supervisión de automatización de la energía. Lleva a cabo la recopilación de datos, el control de la supervisión y el control de procesos del sistema eléctrico.
La presente invención entrena respectivamente el modelo global y los modelos individuales en la etapa 102 con los datos SCADA históricos y el correspondiente informe del aerogenerador adquiridos en la etapa 101. Después del entrenamiento, los modelos establecen la relación entre los datos SCADA históricos y el informe del aerogenerador. El modelo global y el modelo individual pueden tener un buen rendimiento de entrenamiento con los datos SCADA históricos y el correspondiente informe del aerogenerador. Como los datos SCADA incluyen los datos de funcionamiento, los datos SCADA históricos pueden reflejar una variedad de condiciones históricas de los aerogeneradores. Y el informe del aerogenerador incluye el estado de salud del aerogenerador, el componente defectuoso y los detalles de fallo correspondiente. El estado de salud incluye el estado normal y el estado defectuoso. El componente defectuoso y los detalles de fallo correspondientes sólo se incluyen en el informe del aerogenerador cuando el estado de salud del aerogenerador se diagnostica como estado defectuoso. En las etapas 103 y 104, los datos SCADA en tiempo real se introducen en el modelo entrenado global y en los modelos individuales. El modelo entrenado global y el modelo individual pueden obtener detalles precisos sobre el estado de salud y los fallos a partir de los datos SCADA en tiempo real, ya que los modelos han sido entrenados con los datos SCADA históricos y el correspondiente informe del aerogenerador y pueden identificar el estado normal y el estado defectuoso basándose en los datos SCADA. La presente invención utiliza los datos SCADA y el modelo de entrenamiento para supervisar el estado de los aerogeneradores, por lo que ya no es necesario instalar sensores adicionales en los aerogeneradores. Además, la estructura de concepto jerárquico puede acelerar la eficiencia de procesamiento del controlador de los aerogeneradores.
En una forma de realización, la etapa 101 comprende:
adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
verificar el informe del aerogenerador para identificar qué sección de datos de los datos SCADA históricos es de estado normal y qué sección de datos de los datos SCADA históricos es de estado defectuoso.
Dividir los datos SCADA históricos en sección de estado normal y sección de estado defectuoso para facilitar que el modelo global y los modelos individuales realicen un estado de salud y unos detalles de fallo correctos.
En una forma de realización, la etapa 102 comprende: seleccionar el algoritmo de exploración de datos global; entrenar un modelo global para el diagnóstico global del aerogenerador con el algoritmo de exploración de datos global para establecer la relación entre la entrada y la salida del modelo global, la entrada del modelo global son los datos SCADA históricos, la salida del modelo entrenado global es el estado de salud del aerogenerador que incluye los estados normal y defectuoso, y el componente defectuoso si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
seleccionar los algoritmos de exploración de datos individuales para distintos componentes del aerogenerador; entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador con los correspondientes algoritmos de exploración de datos individuales para establecer la relación entre la entrada y la salida del modelo individual, la entrada de cada modelo individual son los datos SCADA históricos, la salida de cada modelo individual son los detalles de fallo del componente individual correspondiente al modelo individual si el componente individual correspondiente al modelo individual es un componente defectuoso.
El algoritmo de exploración de datos global puede ser igual o diferente de los algoritmos de exploración de datos individuales. Los algoritmos incluyen redes neuronales, máquinas de vectores soporte, análisis de componentes principales, etc.
Durante la selección del algoritmo se deben tener en cuenta tanto las características de cada algoritmo como las de los datos recopilados (por ejemplo, la riqueza de los datos). El algoritmo seleccionado puede variar para los diferentes casos.
Basándose en los datos SCADA históricos y en el correspondiente informe del aerogenerador introducido como muestra, entrenar el modelo global con el algoritmo adecuado, el modelo puede establecer la relación entre los datos del SCADA y el informe del aerogenerador. Una vez establecida la relación en el modelo, la introducir los datos SCADA en tiempo real en el modelo global permite obtener el estado de salud como la salida. Y también, como el informe del aerogenerador incluye el componente defectuoso, la introducir los datos SCADA en tiempo real en el modelo global puede obtener el componente defectuoso si el estado de salud se diagnostica como estado defectuoso.
Al generalizar el informe del aerogenerador con los datos SCADA históricos del componente defectuoso, el modelo individual distingue los detalles de fallo específicos del componente defectuoso, incluidos el tipo de fallo, la ubicación del fallo y la gravedad del fallo. El modelo individual se entrena para establecer finalmente la relación entre los datos SCADA y los detalles de fallo del componente defectuoso.
En una forma de realización, la etapa 102 comprende:
verificar la eficacia del modelo global y de los modelos individuales utilizando los datos SCADA históricos.
La eficacia puede ser el coeficiente de detección. El modelo se puede optimizar aún más verificando la eficacia. En una forma de realización, la etapa 103 comprende:
adquirir datos SCADA en tiempo real;
introducir los datos SCADA en tiempo real en el modelo entrenado global;
ejecutar el modelo entrenado global para implementar el algoritmo de exploración de datos global;
obtener el estado de salud del aerogenerador a partir del modelo entrenado global;
llevar a cabo una etapa de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso.
El algoritmo de exploración de datos global implementado en la etapa 103 puede ser el mismo algoritmo seleccionado en la etapa 102 para asegurar la fiabilidad del modelo.
En una forma de realización, la etapa 104 comprende:
seleccionar el modelo entrenado individual correspondiente al componente defectuoso como el modelo entrenado defectuoso;
introducir los datos SCADA en tiempo real en el modelo entrenado defectuoso;
ejecutar el modelo entrenado defectuoso para implementar el algoritmo de exploración de datos individual correspondiente;
obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado defectuoso.
Al igual que en la etapa 103, el algoritmo de exploración de datos individual implementado en la etapa 104 puede ser el mismo algoritmo seleccionado en la etapa 102 para el componente defectuoso.
La Fig. 2 muestra un diagrama de flujo de proceso que ilustra la forma de realización preferida de la presente invención. La Fig. 2 consta de dos partes. El bloque de la izquierda representa el diagnóstico/pronóstico en tiempo real; el bloque de la derecha representa el proceso de entrenamiento del modelo a partir de datos SCADA. Más concretamente, todo el concepto se puede implementar mediante las siguientes etapas:
Etapa 201: Recopilar datos SCADA y el informe del aerogenerador de la base de datos de funcionamiento de parques eólicos reales incluyendo.
• Datos SCADA que cubren los datos de funcionamiento y el informe del aerogenerador que cubre el estado (tanto normal como defectuoso) de aerogeneradores típicos en parques eólicos típicos.
• Informe verificado del aerogenerador correspondiente a los datos SCADA anteriores especificando qué sección de datos es de estado normal y cuál es de estado defectuoso.
• Organizar los datos y la información sobre fallos en una formato adecuado y compatible para el siguiente proceso de datos.
• Téngase en cuenta que esta etapa se debe realizar fuera de línea en lugar de en línea.
Etapa 202: Modelar utilizando algoritmo de exploración de datos particular basado en los datos históricos recopilados.
• Selección del algoritmo de exploración de datos adecuado para el entrenamiento del modelo, por ejemplo, red neuronal, máquina de vectores soporte, análisis de componentes principales, etc. La selección del algoritmo debe tener en cuenta tanto las características del algoritmo individual como las de los datos recopilados (por ejemplo, la riqueza de los datos). El algoritmo seleccionado puede variar para los diferentes casos.
• Utilizar el algoritmo de exploración de datos seleccionado (por ejemplo, una red neuronal) para entrenar un modelo global aplicable al diagnóstico y pronóstico a nivel de aerogenerador. La entrada del modelo global son los nuevos datos SCADA históricos, y la salida es el estado de salud del aerogenerador objetivo y qué componente está defectuoso (si el aerogenerador se diagnostica como defectuoso).
• Utilizar el mismo algoritmo de exploración de datos u otro para entrenar diferentes modelos individuales aplicables al diagnóstico y pronóstico de diferentes componentes del aerogenerador. La entrada del modelo único son los nuevos datos SCADA históricos, y la salida son los detalles de fallo específicos del componente defectuoso, incluidos el tipo de fallo, la ubicación del fallo y la gravedad del fallo.
• Verificar la eficacia (por ejemplo, la tasa de detección) de los modelos entrenados (tanto el modelo global como los modelos individuales) utilizando los datos históricos recopilados.
• Téngase en cuenta que esta etapa se debe realizar fuera de línea en lugar de en línea.
Etapa 203: Utilizar el modelo entrenado global (aplicable al aerogenerador) para implementar la diagnosis/prognosis a nivel del aerogenerador.
• Introducir los nuevos datos SCADA en tiempo real en el modelo entrenado.
• Ejecutar el modelo global para implementar el algoritmo integrado seleccionado para el modelo global.
• Emitir el índice de salud del aerogenerador detectado con información que incluya si el aerogenerador es normal o defectuoso y, en caso de ser defectuoso, qué componente(s) es(son) defectuoso(s).
• Téngase en cuenta que esta etapa se debe realizar en línea.
Etapa 204: Utilizar el modelo único entrenado correspondiente (aplicable para el componente correspondiente) para analizar detalles de fallo específicos del componente defectuoso.
• Selección del modelo único entrenado de entre los preparados en la etapa 2 correspondiente al componente defectuoso identificado en la etapa 3.
• Introducir los nuevos datos SCADA en tiempo real en el modelo único entrenado correspondiente.
• Ejecutar el modelo único para implementar el algoritmo integrado seleccionado para el modelo único correspondiente.
• Emitir los detalles de fallo específicos del componente defectuoso con información que incluya la ubicación, el tipo y la gravedad del fallo.
• Téngase en cuenta que esta etapa se debe realizar en línea.
El término "en línea" hace referencia a la supervisión en línea en tiempo real. El término "fuera de línea" hace referencia al entrenar modelos fuera de línea.
La Fig. 3 muestra un dibujo de un módulo estructural de un sistema de supervisión del estado de un aerogenerador, que comprende los siguientes módulos:
módulo de adquisición de datos históricos 301, utilizado para adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo de entrenamiento del modelo 302, utilizado para entrenar un modelo global para el diagnóstico global del aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y en el correspondiente informe del aerogenerador, estableciendo una relación entre los datos SCADA históricos y el informe del aerogenerador;
módulo de diagnóstico global 303, utilizado para adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global y llevar a cabo el módulo de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso;
módulo de diagnóstico individual 304, utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso.
Las formas de realización indicadas anteriormente se utilizan únicamente para representar varios ejemplos de la presente invención, que se ilustran en detalle, pero no se entenderá que limitan el alcance de protección de la presente patente. Se debe tener en cuenta que los expertos en la técnica pueden realizar varias modificaciones y/o mejoras, sin ir más allá del concepto técnico de la presente invención. Por consiguiente, el ámbito de protección de la presente invención queda definido por las reivindicaciones adjuntas.
Claims (14)
1. Un método de supervisión del estado de un aerogenerador, que comprende las siguientes etapas:
etapa de adquisición de datos históricos (101): adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
etapa de entrenamiento del modelo (102): entrenar un modelo global para diagnosticar globalmente el aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y en el correspondiente informe del aerogenerador, estableciendo una relación entre los datos SCADA históricos y el informe del aerogenerador;
etapa de diagnóstico global (103): adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global, en donde el estado de salud del aerogenerador identifica si el aerogenerador está en estado normal o defectuoso y, en caso de estado defectuoso, qué componente está defectuoso, y llevar a cabo la etapa de diagnóstico individual (104) sólo si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso; y
etapa de diagnóstico individual (104): introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso, en donde los detalles de fallo del componente defectuoso indican una razón de fallo específica del componente defectuoso.
2. El método de acuerdo con la reivindicación 1, en donde la etapa de adquisición datos históricos (101) comprende:
adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso; y
verificar el informe del aerogenerador para identificar qué sección de datos de los datos SCADA históricos es de estado normal y qué sección de datos de los datos SCADA históricos es de estado defectuoso.
3. El método de acuerdo con la reivindicación 1 o 2, en donde la etapa de entrenamiento del modelo (102) comprende:
seleccionar el del algoritmo de exploración de datos global;
entrenar un modelo global para el diagnóstico global del aerogenerador con el algoritmo de exploración de datos global para establecer la relación entre la entrada y la salida del modelo global, la entrada del modelo global son los datos SCADA históricos, la salida del modelo entrenado global es el estado de salud del aerogenerador que incluye los estados normal y defectuoso, y el componente defectuoso si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
seleccionar algoritmos de exploración de datos individuales para diferentes componentes del aerogenerador; y
entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador con los correspondientes algoritmos de exploración de datos individuales para establecer la relación entre la entrada y la salida del modelo individual, la entrada de cada modelo individual son los datos SCADA históricos, la salida de cada modelo individual son los detalles de fallo del componente individual correspondiente al modelo individual si el componente individual correspondiente al modelo individual es un componente defectuoso.
4. El método de acuerdo con la reivindicación 3, en donde la etapa de entrenamiento del modelo (102) comprende:
verificar la eficacia del modelo global y de los modelos individuales utilizando los datos SCADA históricos.
5. El método de acuerdo con una cualquiera de las reivindicaciones 1 a 4, en donde la etapa de diagnóstico global (103) comprende:
adquirir datos SCADA en tiempo real;
introducir los datos SCADA en tiempo real en el modelo entrenado global;
ejecutar el modelo entrenado global para implementar el algoritmo de exploración de datos global;
obtener el estado de salud del aerogenerador a partir del modelo entrenado global; y
llevar a cabo una etapa de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso.
6. El método de acuerdo con una cualquiera de las reivindicaciones 1 a 5, en donde la etapa de diagnóstico individual (104) comprende:
seleccionar el modelo entrenado individual correspondiente al componente defectuoso como el modelo entrenado defectuoso;
introducir los datos SCADA en tiempo real en el modelo entrenado defectuoso;
ejecutar el modelo entrenado defectuoso para implementar el algoritmo de exploración de datos individual correspondiente; y
obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado defectuoso.
7. Un sistema, que comprende un procesador y una memoria con un programa informático que comprende códigos de programa informático almacenados en el mismo, que están adaptados para llevar a cabo todas las etapas de una cualquiera de las reivindicaciones anteriores cuando se ejecutan en el procesador.
8. Un sistema de acuerdo con la reivindicación 7, en donde el programa informático está incorporado en un medio legible por ordenador.
9. Un sistema de supervisión del estado de los aerogeneradores, que comprende los siguientes módulos:
módulo de adquisición de datos históricos (301), configurado para adquirir datos SCADA históricos, y los informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo de entrenamiento del modelo (302), configurado para entrenar un modelo global para diagnosticar globalmente el aerogenerador, y entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador basándose en los datos SCADA históricos y en el correspondiente informe del aerogenerador, estableciendo relaciones entre los datos SCADA históricos y el informe del aerogenerador;
módulo de diagnóstico global (303), configurado para adquirir datos SCADA en tiempo real, introducir los datos SCADA en tiempo real en el modelo entrenado global, obtener el estado de salud del aerogenerador a partir del modelo entrenado global, en donde el estado de salud del aerogenerador identifica si el aerogenerador está en estado normal o defectuoso y, en caso de estado defectuoso, qué componente está defectuoso, y llevar a cabo el módulo de diagnóstico individual (304) sólo si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso; y
módulo de diagnóstico individual (304), configurado para introducir los datos SCADA en tiempo real en el modelo entrenado individual correspondiente al componente defectuoso, y obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado individual correspondiente al componente defectuoso, en donde los detalles de fallo del componente defectuoso indican una razón de fallo específica del componente defectuoso.
10. El sistema de acuerdo con la reivindicación 9, en donde el módulo de adquisición de datos históricos (301) comprende:
módulo utilizado para adquirir datos SCADA históricos, e informes del aerogenerador correspondientes a los datos SCADA históricos, en donde los datos SCADA históricos cubren los datos de funcionamiento del aerogenerador, y en donde los informes del aerogenerador cubren: el estado de salud del aerogenerador diagnosticado como normal o defectuoso, y el componente defectuoso con los detalles de fallo correspondientes si el estado de salud del aerogenerador se diagnostica como estado defectuoso; y
módulo utilizado para verificar el informe del aerogenerador con el fin de identificar qué sección de datos de los datos SCADA históricos es de estado normal y qué sección de datos de los datos SCADA históricos es de estado defectuoso.
11. El sistema de acuerdo con la reivindicación 9 o 10, en donde el módulo de entrenamiento del modelo (302) comprende:
módulo utilizado para seleccionar el algoritmo de exploración de datos global;
módulo utilizado para entrenar un modelo global para el diagnóstico global del aerogenerador con el algoritmo de exploración de datos global para establecer la relación entre la entrada y la salida del modelo global, la entrada del modelo global son los datos SCADA históricos, la salida del modelo entrenado global es el estado de salud del aerogenerador, que incluye los estados normal y defectuoso, y el componente defectuoso si el estado de salud del aerogenerador se diagnostica como estado defectuoso;
módulo utilizado para seleccionar algoritmos de exploración de datos individuales para diferentes componentes del aerogenerador; y
módulo utilizado para entrenar diferentes modelos individuales para analizar diferentes componentes del aerogenerador con los correspondientes algoritmos de exploración de datos individuales para establecer la relación entre la entrada y la salida del modelo individual, la entrada de cada modelo individual son los datos SCADA históricos, la salida de cada modelo individual son los detalles de fallo del componente individual correspondiente al modelo individual si el componente individual correspondiente al modelo individual es un componente defectuoso.
12. El sistema de acuerdo con la reivindicación 11, en donde el módulo de entrenamiento del modelo (302) comprende: módulo utilizado para verificar la eficacia del modelo global y de los modelos individuales a partir de los datos SCADA históricos.
13. El sistema de acuerdo con una cualquiera de las reivindicaciones 9 a 12, en donde el módulo de diagnóstico global (303) comprende:
módulo utilizado para adquirir datos SCADA en tiempo real;
módulo utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado global;
módulo utilizado para ejecutar el modelo entrenado global para implementar el algoritmo de exploración de datos global;
módulo utilizado para obtener el estado de salud del aerogenerador a partir del modelo entrenado global; módulo utilizado para llevar a cabo el módulo de diagnóstico individual si el modelo entrenado global determina que el aerogenerador presenta un estado defectuoso.
14. El sistema de acuerdo con una cualquiera de las reivindicaciones 9 a 13, en donde el módulo de diagnóstico individual (304) comprende:
módulo utilizado para seleccionar el modelo entrenado individual correspondiente al componente defectuoso como el modelo entrenado defectuoso;
módulo utilizado para introducir los datos SCADA en tiempo real en el modelo entrenado defectuoso;
módulo utilizado para ejecutar el modelo entrenado defectuoso para implementar el algoritmo de exploración de datos individual correspondiente;
módulo utilizado para obtener los detalles de fallo del componente defectuoso a partir del modelo entrenado defectuoso.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2014/091425 WO2016077997A1 (en) | 2014-11-18 | 2014-11-18 | Wind turbine condition monitoring method and system |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2947817T3 true ES2947817T3 (es) | 2023-08-21 |
Family
ID=56013046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES14906626T Active ES2947817T3 (es) | 2014-11-18 | 2014-11-18 | Método y sistema de supervisión del estado de un aerogenerador |
Country Status (6)
Country | Link |
---|---|
US (1) | US10288043B2 (es) |
EP (1) | EP3221579B1 (es) |
CN (1) | CN106662072B (es) |
ES (1) | ES2947817T3 (es) |
FI (1) | FI3221579T3 (es) |
WO (1) | WO2016077997A1 (es) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017191142A1 (en) * | 2016-05-03 | 2017-11-09 | AVAILON GmbH | Status monitoring for mechanical plants, in particular wind turbines |
KR101768810B1 (ko) | 2016-06-02 | 2017-08-30 | 두산중공업 주식회사 | 풍력단지 통합 제어 모니터링 시스템 |
DE102016117190A1 (de) * | 2016-09-13 | 2018-03-15 | fos4X GmbH | Verfahren und Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage und Computerprogrammprodukt |
DE102016011005A1 (de) * | 2016-09-14 | 2018-03-15 | Senvion Gmbh | Verfahren und System zum Analysieren eines Zustands einer Windenergieanlage |
WO2018076236A1 (en) * | 2016-10-27 | 2018-05-03 | Abb Schweiz Ag | Wind farm and method and controller for feeding the same |
EP3388910A1 (en) | 2017-04-10 | 2018-10-17 | ABB Schweiz AG | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid |
CN107178477A (zh) * | 2017-07-10 | 2017-09-19 | 龙源(北京)风电工程技术有限公司 | 基于深度自编码模型的风电机组叶片故障监控方法及*** |
CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断***和方法 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN108376298B (zh) * | 2018-02-12 | 2023-11-10 | 湘潭大学 | 一种风电机组发动机温度故障预警诊断方法 |
CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、***及设备 |
CN109164784A (zh) * | 2018-08-22 | 2019-01-08 | 重庆海装风电工程技术有限公司 | 基于大数据云服务的风力发电机运维方法、装置及*** |
CN109253048B (zh) * | 2018-08-31 | 2020-06-05 | 北京金风科创风电设备有限公司 | 风力发电机组的运行控制方法、装置、设备及存储介质 |
CN109372704B (zh) * | 2018-09-18 | 2020-08-18 | 国电联合动力技术有限公司 | 发电机组智能故障诊断分析及运维操作机器***及发电场 |
CN109657982B (zh) * | 2018-12-20 | 2022-02-11 | 三一重能有限公司 | 一种故障预警方法及装置 |
US10956632B2 (en) | 2018-12-27 | 2021-03-23 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN109611288B (zh) * | 2018-12-29 | 2021-03-30 | 南京安维士传动技术股份有限公司 | 一种基于大数据的风电运维平台 |
CN111637023A (zh) * | 2019-03-01 | 2020-09-08 | 武汉朗立创科技有限公司 | 海上风力发电机齿轮振动监测大数据云平台*** |
CN110259646B (zh) * | 2019-05-06 | 2020-07-14 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
US11041650B2 (en) * | 2019-05-20 | 2021-06-22 | Honeywell International Inc. | Cloud and edge integrated energy optimizer |
EP3748154A1 (en) * | 2019-06-06 | 2020-12-09 | Siemens Gamesa Renewable Energy A/S | A method for computer-implemented monitoring of a compo-nent of a wind turbine |
CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
CN110990768A (zh) * | 2019-11-07 | 2020-04-10 | 湖北省电力勘测设计院有限公司 | 基于互信息值的发电机组性能各参数数据类型确定方法 |
US11509136B2 (en) * | 2019-12-30 | 2022-11-22 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
AT523586A1 (de) * | 2020-02-27 | 2021-09-15 | I4See Tech Gmbh | Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustandes von mindestens einer Windkraftanlage |
CN111322206B (zh) * | 2020-02-28 | 2021-05-04 | 唐智科技湖南发展有限公司 | 一种风电机组机械大部件的智慧运维***及方法 |
CN112459970B (zh) * | 2020-04-29 | 2022-04-26 | 华北电力大学 | 一种运用数据对抗学习的风电机组异常检测方法 |
US11661919B2 (en) | 2021-01-20 | 2023-05-30 | General Electric Company | Odometer-based control of a wind turbine power system |
US11635060B2 (en) | 2021-01-20 | 2023-04-25 | General Electric Company | System for operating a wind turbine using cumulative load histograms based on actual operation thereof |
US11728654B2 (en) | 2021-03-19 | 2023-08-15 | General Electric Renovables Espana, S.L. | Systems and methods for operating power generating assets |
CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
US11761427B2 (en) | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
CN113982850B (zh) * | 2021-09-10 | 2023-11-10 | 大唐国信滨海海上风力发电有限公司 | 融合高低频信号的风机综合健康分析方法及*** |
CN114893360B (zh) * | 2022-05-23 | 2023-03-24 | 国家电投集团科学技术研究院有限公司 | 风电机组塔筒异常振动识别和运行状态监测方法及*** |
CN114876744A (zh) * | 2022-05-23 | 2022-08-09 | 华能广西清洁能源有限公司 | 一种风机机舱辅助巡视装置 |
CN115013261B (zh) * | 2022-08-08 | 2022-12-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及*** |
CN115498660B (zh) * | 2022-11-17 | 2023-04-07 | 华北电力大学 | 风电场调频动态建模方法、装置及电子设备 |
CN117312807B (zh) * | 2023-11-29 | 2024-02-06 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及*** |
CN117893030B (zh) * | 2024-03-14 | 2024-05-28 | 中智(福建)科技有限公司 | 基于大数据的电力***风险预警方法 |
CN118013468B (zh) * | 2024-04-03 | 2024-06-11 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10044096A1 (de) | 2000-09-07 | 2002-04-04 | Aloys Wobben | Inselnetz und Verfahren zum Betrieb eines Inselnetzes |
DE102005038558A1 (de) | 2005-08-12 | 2007-02-15 | Repower Systems Ag | Verfahren zum Betrieb eines Windenergieanlagenparks sowie Windenergieanlagenpark |
WO2009016020A1 (en) | 2007-07-31 | 2009-02-05 | Vestas Wind Systems A/S | Wind turbine monitoring system |
US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
DK2236821T3 (en) | 2009-04-03 | 2017-03-20 | Xemc Darwind Bv | Island operation of wind farm. |
ES2562253T3 (es) * | 2009-06-24 | 2016-03-03 | Vestas Wind Systems A/S | Un procedimiento y un sistema para controlar el funcionamiento de una turbina eólica |
US8451134B2 (en) | 2009-07-24 | 2013-05-28 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
EP2489119A4 (en) * | 2009-10-13 | 2014-05-28 | Myles L Baker | SYSTEMS AND METHOD FOR MONITORING WIND TURBINE OPERATION |
KR100954090B1 (ko) * | 2009-10-27 | 2010-04-23 | 주식회사 위다스 | 풍력발전설비 상태감시시스템 |
WO2011060424A1 (en) | 2009-11-16 | 2011-05-19 | Nrg Systems, Inc. | Data acquisition system for condition-based maintenance |
CN101825893A (zh) | 2010-05-05 | 2010-09-08 | 湖州师范学院 | 风电机组集中和远程监控、故障诊断*** |
CN201820121U (zh) | 2010-05-28 | 2011-05-04 | 湖州师范学院 | 一种风电机组集中和远程监控、故障诊断*** |
CN101872165A (zh) | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
US8805596B2 (en) * | 2010-12-28 | 2014-08-12 | Inventus Holdings, Llc | Remote wind turbine reset system and method |
CN102156043B (zh) | 2010-12-31 | 2013-01-16 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断*** |
WO2012097819A1 (en) | 2011-01-20 | 2012-07-26 | Vestas Wind Systems A/S | A method for diagnostic monitoring of a wind turbine generator system |
DK2503146T3 (da) | 2011-03-21 | 2014-02-10 | Siemens Ag | Fremgangsmåde og indretning til styring af driften af et elektrisk energiproduktionsanlæg under en afbrydelse fra et forsyningsnet |
US20120271593A1 (en) | 2011-04-21 | 2012-10-25 | Honeywell International Inc. | Monitoring wind turbine performance |
US9249781B2 (en) | 2011-12-30 | 2016-02-02 | Robert Bosch Gmbh | Method for robust wireless wind turbine condition monitoring |
CN103306893B (zh) * | 2012-03-09 | 2015-11-18 | 北京光耀能源技术股份有限公司 | 一种风力发电机故障预警及报警方法 |
CN102768115B (zh) * | 2012-06-27 | 2016-04-20 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN102878023A (zh) | 2012-09-18 | 2013-01-16 | 毛振刚 | 大兆瓦风力发电机组实时状态监控*** |
CN103226651A (zh) | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和*** |
CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
CN103439091B (zh) * | 2013-06-25 | 2015-11-18 | 国电大渡河检修安装有限公司 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及*** |
CN103645052B (zh) * | 2013-12-11 | 2016-03-30 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断*** |
-
2014
- 2014-11-18 FI FIEP14906626.8T patent/FI3221579T3/fi active
- 2014-11-18 EP EP14906626.8A patent/EP3221579B1/en active Active
- 2014-11-18 WO PCT/CN2014/091425 patent/WO2016077997A1/en active Application Filing
- 2014-11-18 ES ES14906626T patent/ES2947817T3/es active Active
- 2014-11-18 CN CN201480080202.XA patent/CN106662072B/zh active Active
-
2016
- 2016-11-23 US US15/359,976 patent/US10288043B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
BR112017001082A8 (pt) | 2022-12-27 |
EP3221579B1 (en) | 2023-03-29 |
US10288043B2 (en) | 2019-05-14 |
FI3221579T3 (fi) | 2023-06-21 |
BR112017001082A2 (pt) | 2017-11-21 |
WO2016077997A1 (en) | 2016-05-26 |
CN106662072B (zh) | 2019-10-25 |
EP3221579A4 (en) | 2018-07-11 |
CN106662072A (zh) | 2017-05-10 |
US20170074250A1 (en) | 2017-03-16 |
EP3221579A1 (en) | 2017-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2947817T3 (es) | Método y sistema de supervisión del estado de un aerogenerador | |
CN102760501B (zh) | 一种核电站设备故障检修的方法 | |
EP3252556A3 (en) | Wind farm supervision monitoring system | |
WO2016086360A1 (en) | Wind farm condition monitoring method and system | |
WO2018014502A1 (zh) | 电梯的预诊断方法及装置 | |
CN102434387A (zh) | 风机检测诊断*** | |
KR100815032B1 (ko) | 발전소 온라인 실시간 성능 감시 시스템 | |
CN116810825B (zh) | 一种真空环境下晶圆传送机械臂异常监测方法及*** | |
CN103675354B (zh) | 一种风速仪故障检测的方法和*** | |
CN109840601B (zh) | 风电场设备监视与生产管理相结合的运行管理方法 | |
KR20190069213A (ko) | 원격 모니터링 기반 태양광 발전소 운영 관리 방법 및 장치 | |
US20130204579A1 (en) | State Monitoring Method and System for Wind Energy Installations | |
CN106656040A (zh) | 光伏电站中光伏组件的故障诊断方法及装置 | |
CN104821789A (zh) | 一种光伏发电***可靠性的检测方法 | |
CN107607321A (zh) | 一种设备故障精确定位方法 | |
CN103675357B (zh) | 风速仪故障预警的方法和*** | |
JP6176377B1 (ja) | 設備管理システム、設備管理方法およびプログラム | |
CN105319500B (zh) | 一种基于拉线式传感器的隔离开关在线监测***及其方法 | |
CN113406417A (zh) | 一种s700k道岔转辙机的故障树分析方法 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
US20220014146A1 (en) | Method and system of repairing a solar station | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
BR112017001082B1 (pt) | Método e sistema de monitoramento da condição de turbina eólica | |
CN203758551U (zh) | 一种cems智能诊断*** |