풍력 터빈 예후학

Wind turbine prognostics
초기 소형 육상 풍력발전기

재생에너지에 대한 수요가 증가함에 따라 전세계적으로 채택되고 풍력 터빈 기술의 급속한 확대가 이루어졌다. 풍력 터빈은 일반적으로 20년 수명에 이르도록 설계되지만,[1] 복잡한 하중과 환경 때문에 풍력 터빈은 그 기간 동안 상당한 수리 및 광범위한 유지보수가 없으면 그 나이까지 작동하는 경우가 거의 없다.[2] 풍력 발전소의 관리를 개선하기 위해 다운타임과 생산 손실을 줄이기 위한 계획적이고 사후 대응적인 유지보수가 아닌 예방적 유지보수를 향한 움직임이 증가하고 있다. 이는 예측 모니터링/관리 시스템을 사용하여 달성된다.

전형적인 풍력 터빈 아키텍처는 다단 유성 기어 박스, 유압 시스템 및 다양한 다른 전기 기계식 드라이브와 같은 다양한 복잡한 시스템으로 구성된다. 일부 기계 시스템의 규모와 일부 현장의 외진성으로 인해 풍력 터빈 수리는 비용이 엄청나게 많이 들고 조정하기가 어려워 장시간 가동 중단과 생산 손실로 이어질 수 있다.

일반적인 풍력 터빈 용량이 15MW[3] 이상에 이를 것으로 예상되며 해상 풍력 발전소의 접근 불가능성과 결합되어 사용 예측 방법이 업계 내에서 더욱 널리 보급될 것으로 예상된다.

현대식 대형 해상풍력 양식장

풍력 터빈 예후학은 자산 건강 관리, 상태 모니터링 또는 상태 관리라고도 한다.

역사

초기 소형 풍력 터빈은 비교적 단순했으며 일반적으로 터빈을 제어하는 데 필요한 최소한의 계측기를 갖추고 있었다. 비교적 유아기 기술을 위한 장기적 운영을 보장하는 데 설계 초점이 거의 없었다. 터빈 다운타임을 초래하는 주요 결함은 일반적으로 구동렬 또는 피치 시스템과 관련이 있다.[4]

풍력 터빈 변속 장치 교체

풍력 터빈 기술의 급속한 발전이 있었다. 터빈의 용량, 복잡성 및 비용이 증가함에 따라, 풍력 터빈의 계측기 정교화가 크게 개선되어 새로운 풍력 터빈의 예후 시스템이 더욱 효과적으로 운용될 수 있게 되었다. 이에 노후자산을 효과적으로 관리하기 위해 기존 풍력터빈에 유사한 시스템을 재장착하는 추세가 확산되고 있다.

예방적 정비를 가능하게 하는 예측적 방법은 항공우주 및 기타 산업 애플리케이션과 같은 일부 산업에서 수십 년 동안 흔한 일이었다. 설계가 복잡해지면서 풍력터빈 수리 비용이 증가함에 따라, 풍력터빈 산업은 가용성을 보장하기 위해 이러한 산업에서 다양한 예측 방법과 경제 모델을 채택할 것으로 예상된다.[5]

데이터 캡처

풍력 터빈 예후 방법은 크게 두 가지 범주로 분류할 수 있다.

  • SCADA 기반
  • 진동 기반

대부분의 풍력 터빈은 제조업체가 다양한 계측기를 장착한다. 그러나 이는 일반적으로 터빈 작동, 환경 조건 및 구동렬 온도에 필요한 매개변수로 제한된다.[6] 이 SCADA 기반 터빈 예후 접근법은 보다 초보적인 풍력 터빈 설계에 가장 경제적인 접근방식이다.

복잡한 드라이브-트레인 및 윤활 시스템을 갖춘 보다 복잡한 설계의 경우, 많은 연구가 진동 모니터링 및 오일 모니터링 예측 시스템의 가치를 입증했다.[7] 이것들은 현재 널리 상업적으로 이용 가능하다.

데이터 분석

일단 온보드 데이터 수집 시스템에 의해 데이터가 수집되면, 이는 일반적으로 지상 기반 또는 클라우드 기반 데이터 스토리지 시스템에 처리되고 전달된다.

원시 매개 변수와 파생된 건강 지표는 일반적으로 시간이 지남에 따라 추세가 나타난다. 드라이브-트레인 고장의 특성상, 이러한 고장은 일반적으로 고장을 진단하기 위해 주파수 영역에서 분석된다.[8]

GHE는 터빈 성능을 동적 환경 조건 하에서 동력을 발생시킬 수 있는 능력으로 해석함으로써 풍력 터빈 SCADA(Supervisory Control and Data Acquisition) 시스템에서 생성될 수 있다. 풍속, 풍향, 피치 각도 및 기타 파라미터가 먼저 입력으로 선택된다. 그 다음, 풍력 발전 특성, 풍속 및 실제 출력 특성화에 있어 두 가지 핵심 매개변수를 사용하여 터빈을 명목상의 건강한 조건에서 작동한다고 알려져 있다. 실시간 데이터가 도착하면 현재 성능을 모델링하는 데 동일한 매개변수가 사용된다. GHE는 새 데이터와 기준 모델 사이의 거리를 계산하여 얻는다.

시간 경과에 따른 GHE 추세를 통해 단위 수익이 사전 설정된 손익분기점 이하로 떨어질 때 성능 예측을 할 수 있다. 유지보수를 트리거하고 LDE 값이 낮은 구성 요소로 유도해야 한다. LDE는 상태 모니터링 시스템(CMS)과 SCADA의 측정을 기반으로 계산되며, 구성 요소 수준에서 초기 고장을 찾아 진단하는 데 사용된다.

기계학습도 수천 개의 풍력터빈에서 초당 수 차례 진동, 온도, 전력 등 방대한 양의 데이터를 수집·분석해 고장을 예측·예방하는 방식으로 활용된다.[9]

참고 항목

참조

  1. ^ "DNV certification guidelines". DNV GL. 2010.{{cite web}}: CS1 maint : url-status (링크)
  2. ^ "Why wind-turbine gearboxes fail to hit the 20-year mark". Windpower Engineering & Development. Retrieved 2020-02-19.
  3. ^ "Next-Generation Wind Technology". Energy.gov. Retrieved 2020-02-19.
  4. ^ "Wind Turbine Failures Encyclopedia". ONYX InSight. Retrieved 2020-02-19.
  5. ^ "Reducing complexity in Wind Turbine Maintenance". ONYX InSight. 2019-06-24.{{cite web}}: CS1 maint : url-status (링크)
  6. ^ ORE Catapult (UK). "Wind Turbine Condition Monitoring Methods" (PDF). ORE Catapult.{{cite web}}: CS1 maint : url-status (링크)
  7. ^ García Márquez, Fausto Pedro; Tobias, Andrew Mark; Pinar Pérez, Jesús María; Papaelias, Mayorkinos (2012-10-01). "Condition monitoring of wind turbines: Techniques and methods". Renewable Energy. 46: 169–178. doi:10.1016/j.renene.2012.03.003. ISSN 0960-1481.
  8. ^ "Machinery Diagnostics". ONYX InSight. Retrieved 2020-02-19.
  9. ^ "Neurale netværk kan forudsige, hvornår møllens tandhjul knækker". Version2/Ingeniøren. 2016-11-19. Retrieved 19 November 2016.