Eólica | Wind Power www.futurenergyweb.es 54 FuturEnergy | Noviembre/Diciembre November/December 2020 • Algoritmos de desgaste: este algoritmo es otra de las novedades que se incorpora en la metodología de estimación de vida LIFEX, que se aplica utilizando series temporales, específicamente de vibraciones, con el objetivo principal de predecir en qué momento el elemento puede presentar un desgaste. Se utilizan series temporales de datos y se les aplican métodos de inteligencia artificial, que junto a un algoritmo de desgaste exponencial permite obtener una evolución del desgaste del elemento y determinar el tiempo de vida que tiene hasta el fallo, contribuyendo a reducir la incertidumbre del cálculo de la estimación de vida del aeorgenerador. • Algoritmos de escalado: se realiza el escalado del aerogenerador aplicando un método innovador en el que se utiliza un modelo base de un aerogenerador para escalarlo a uno de mayor potencia utilizando métodos de Redes Neuronales Recurrentes (RNN), específicamente las Long Short-TermMemory (LSTM). Estas redes neuronales tienen la capacidad de hacer pequeñas modificaciones a la información que fluye a través de un mecanismo conocido como estados celulares. De esta manera, la LSTM puede recordar u olvidar elementos selectivamente, permitiendo obtener resultados con mayor precisión. Una vez aplicados los modelos de LSTM, se obtienen variables operacionales escaladas como el ángulo de pitch, potencia, par, velocidad rotacional y las cargas generadas. • Capacidades de cálculo de fatiga de aerogeneradores en elementos estructurales: el análisis estructural está integrado en la metodología de extensión de vida, el cual se ejecuta con simplicidad y de forma automatizada. Este análisis se realiza en dos fases principales, una de fatiga donde se aplica el método de Rainflow y se obtienen los ciclos acumulados y, por otra parte, se realiza un análisis de vida y disponibilidad, donde se obtiene el daño equivalente, daño acumulado y tiempo de fallo. Este análisis permite reducir la incertidumbre actual en los análisis de fatiga gracias a la optimización y correlación de variables en el modelo. • Plan de mantenimiento dinámico y predictivo: por último, LIFEX proporciona una herramienta de análisis de indicadores económicos, capaz de calcular el CAPEX, OPEX, LCOE y posteriormente optimizarlos contemplando la probabilidad de fallo obtenido a partir del algoritmo de predicción de fallos. A partir de este cálculo, se determina el elemento que está presentando el fallo y la gravedad del mismo utilizando el indicador Mean Time To Failure (MTTF). Con estos resultados se realiza un plan de mantenimiento dinámico y predictivo contemplando el impacto que éste genera en el OPEX y el LCOE. A pesar de la incertidumbre tecnológica latente asociada a lo largo del desarrollo del proyecto, fue posible desarrollar la metodología de extensión de vida de tres configuraciones de aerogeneradores diferentes (275 kW, 2 MW y 5 MW), permitiendo la integración de algoritmos de postprocesamiento altamente complejos - análisis de fatiga de múltiples elementos estructurales, desgaste, predicción de fallos de componentes, ley de escalado y la herramienta de indiinto the model wind turbine so that a more accurate and reliable model can be achieved, reducing uncertainty over the outcome. Next, a failure prediction analysis, wear and structural analysis are applied to the simulated output parameters, providing information to calculate the life extension of the wind turbine and its components. Lastly, an economic model is used to determine economic indicator variations. • Failure prediction algorithms: this innovation was incorporated into the methodology to help to calculate the lifetime, in addition to predicting failures in the different components, such as the generator, pitch system and blades, with the aim of providing relevant information for the economic indicators tool. This algorithm can calculate and predict the probability of failure of the components analysed, displaying a failure indicator during the simulation. • Wear algorithms: this algorithm is another of the innovations built into the LIFEX life extension calculation methodology. It is applied using time series, specifically vibrations, with the main aim of predicting the moment at which the component could show signs of wear. Data time series are used to which AI methods are applied so that, along with an exponential wear algorithm, an evolution of the wear of an element can be obtained, calculating the remaining lifetime of the component until the failure occurs. This helps to reduce uncertainty over the lifetime estimation calculation of the wind turbine. • Scaling algorithms: the wind turbine is scaled by applying an innovative method that uses a base model of a wind turbine and scaling it up to one with a larger output using Recurrent Neural Network (RNN) methods, specifically the Long Short-TermMemory (LSTM). These neural networks make small modifications to the information that flows through a mechanism, known as cellular states. As a result, the LSTM can selectively remember or forget elements, thus achieving more accurate results. Once the LSTMmodels have been applied, scaled operational variables are obtained, such as the angle of pitch, output, torque, rotational speed and the loads generated. • Ability to calculate wind turbine fatigue in structural elements: the structural analysis is integrated into the life extension methodology, which is simply and automatically executed. This analysis takes place in two main phases: one on wear where the Rainflowmethod is applied to obtain the cumulative cycles; and the other, a lifetime and availability analysis which obtains the equivalent damage, accumulated damage and time to failure. This analysis reduces uncertainty as regards current wear analyses, by optimising and correlating the variables in the model. • Dynamic and predictive maintenance plan: lastly, LIFEX provides an economic indicator analysis tool, able to calculate the CAPEX, OPEX and LCOE and subsequently optimise them, taking into consideration the probability of failure obtained from the failure prediction algorithm. Based on this calculation, the element causing the failure, in addition to its severity, is identified by using the MeanTime To Failure indicator (MTTF). Based on these results, a dynamic and predictive maintenance plan is drawn up Escalado de parámetros operacionales | Scaling operational parameters
RkJQdWJsaXNoZXIy Njg1MjYx