Mejora de las estrategias de mantenimiento en plantas de generación renovable a partir de los datos SCADA

Comunicación presentada al VI Congreso Smart Grids

Autores

• Ana P. Talayero, Responsable de línea, Fundación Circe
• Nurseda Y. Yurusen, Responsable de proyecto, Fundación Circe
• Julio J. Melero, Director, Instituto universitario Circe

Resumen

El diagnóstico y detección precoz de errores en las plantas de generación renovable (parques eólicos y plantas fotovoltaicas) permite optimizar el rendimiento de las mismas, minimizando las pérdidas de energías asociadas a paradas, y ayudar en la toma de decisiones durante la operación. Partiendo principalmente de los datos ya registrados en las plantas, se identifican comportamientos y tendencias en las variables y alarmas registradas, indicativos de posibles errores, permitiendo la detección de los mismos antes de que estos ocurran. Un fallo se puede predecir y prevenir utilizando variables atmosféricas, datos SCADA, registro de fallos y conceptos de programación mejorados. Para ello se han desarrollado algoritmos específicos que se agrupan en áreas funcionales que trabajan con la información registrada en la propia planta.  Esta mejora en la operación de las plantas permite reducir el OPEX (Operational Expenditures) y disminuir el LCoE (Levelized Cost of Energy) del proyecto.

Palabras clave

Diagnóstico, Mantenimiento Predictivo, Parques Eólicos, Plantas Fotovoltaicas

Introducción

Las energías renovables son ya parte importante de la generación energética con 538.5 GW (23 GW en España) eólicos instalados y 480.3 GW (4.7 GW en España) fotovoltaicos a nivel mundial. Las expectativas de crecimiento en España de las renovables siguen siendo altas teniendo una previsión de duplicar la energía solar instalada y de aumentar un 40% la eólica  en los próximos años (AEE – Asociación Empresarial Eólica, 2018) y (UNEF-Unión Española de Fotovoltaica, 2019).  Este escenario evolutivo hace interesante el trabajo en la mejora del mantenimiento de los parques eólicos y de las plantas fotovoltaicas, que revertirá en un incremento del rendimiento y en la explotación óptima de los mismos.

Utilizando los datos registrados en los sistemas  SCADA (Supervisory Control And Data Acquisition) de las propias plantas, se pueden generar modelos que sin sobrecostes de instalación realicen un seguimiento y control de KPI (Key Performance Indicator) apropiados que avisen de posibles errores y permitan optimizar las labores de mantenimiento, disminuir las pérdidas y tomar decisiones para alargar la vida de los componentes (Elena Gonzalez et al., 2017) y (Tautz-Weinert et al, 2019).

Los fallos de un aerogenerador o de una planta fotovoltaica se puede predecir y prevenir utilizando variables atmosféricas, los datos SCADA, alarmas, registros de fallos y conceptos de programación mejorados (Gonzalez et al, 2016), (Reder et al,  2018), (Reder & Melero, 2018), (Betti et al , 2017) y (Talayero et al,  2018).

Para llevar a cabo esta tarea se ha desarrollado una metodología de trabajo con software específico que, por su flexibilidad, permite evaluar el funcionamiento de las plantas, estimar las variables sensibles, KPIs y estimar la probabilidad de fallo en función de los valores de estos.

En las siguientes secciones se va a explicar la metodología de trabajo y se van a presentar los resultados de ejemplos en los que se ha aplicado esta metodología, así como las conclusiones obtenidas.  Dos de los ejemplos presentados corresponden a fallos en parques eólicos, ya que en esta tecnología se dispone de muestras más extensas de datos. El tercer ejemplo corresponde a una planta fotovoltaica, si bien en la actualidad no existen tantos registros de fallos en esta tecnología, su estudio es importante, no solo por el volumen previsto a instalar, sino también, porque las nuevas plantas van a tener un aumento sustancial de tamaño, que requerirá una optimización en el mantenimiento de las mismas.

Metodología

Tal y como se ha mencionado en la introducción, la metodología propuesta se basa en los valores promedio de diez minutos registrados en los sistemas SCADA de las plantas. Esta información medida atiende a variables físicas, variables eléctricas y alarmas.

Entre las variables físicas registradas se encuentran las meteorológicas: velocidad y dirección del viento, temperatura ambiente, presión humedad, radiación y detección de lluvia; así como la temperatura y presión de diferentes componentes de las plantas, como por ejemplo la temperatura de inversor en una planta fotovoltaica o la temperatura del multiplicador en un aerogenerador.

Las variables eléctricas medidas son corrientes, tensiones y potencias registradas en diferentes equipos o componentes de las plantas, así como la potencia total generada y las características de vertido a red.

La información se completa con los registros de alarmas o avisos en los componentes de las plantas. Estos avisos se caracterizan con un inicio y un final para poder establecer un análisis de los mismos que determine su frecuencia, duración y condiciones de la planta que indican su aparición.

Toda esta información se procesa, a través de dos algoritmos principales. El primero de ellos para tratar la información y el segundo para detectar las anomalías en el comportamiento de las plantas. El resultado de los mismos son una serie de variables que informan del diagnóstico de la planta y que además según su combinación determinan la probabilidad de aparición de un posible error.  En la Figura , se muestra esquemáticamente el proceso de trabajo. Cada uno de los pasos representados en dicha figura se explica a continuación.

Algoritmos de tratamiento de la información

El objetivo de estos algoritmos es el filtrado de los datos eliminando los valores fuera de rango, espurios y la determinación de posibles errores en los sensores.  Para ello se aplican funciones estadísticas que evalúan la persistencia y/o la variabilidad de las medidas Figura .  Cada tipo de registro tiene unas características propias, por lo que cada uno de ellos tiene que ser verificado de una forma diferente y con unos límites adecuados.  Por ejemplo, la medida de la temperatura presenta una velocidad de variación muy lenta en comparación con la medida de la radiación, ya que esta última, influenciada por la nubosidad, puede presentar cambios bruscos en los registros siguiendo un comportamiento normal. Estas peculiaridades de las medidas condicionan los modelos de trabajo adecuados, ya que para el ejemplo de la temperatura los algoritmos basados en persistencia y variabilidad puede dar buenos resultados, mientras que en el caso de la radiación se necesita de algoritmos multivariables más complejos que relacionen además otras variables como radiación teórica o la potencia generada.

Algoritmos de detección

El objetivo de estos algoritmos es detectar anomalías en el comportamiento de los aerogeneradores o de los inversores. Para ello se usan métodos regresivos multivariables de aprendizaje automático, que son capaces de trabajar con largas series de datos, relacionarlas e identificar los comportamientos vinculados a un bajo rendimiento, pudiendo incluso en algunos casos llegar a conocer el origen de esta pérdida de rendimiento.

Entre los modelos de aprendizaje automático existentes se utilizan solo los supervisados, que consisten en entrenar al algoritmo con sucesos previos, entre ellos: árboles de decisión, para la identificación de variables influyentes, regresiones multivariables para establecer relación entre diferentes variables que presentan un comportamiento lineal y K-nn (K nearest neighbour) para establecer relaciones entre las variables cuando estas no son lineales, estableciendo unos factores, llamados distancias, que definen la relación entre las variables de manera más compleja.

Los resultados de estos algoritmos son, por un lado, el diagnóstico de la planta, que consiste en analizar los KPI’s calculados en los algoritmos para informar del estado de la planta, a través de indicadores como el rendimiento, las horas equivalentes de producción, la disponibilidad y en analizar las alarmas de los equipos.

Por otro lado, también es resultado de los algoritmos la generación de alertas que indican la existencia de anomalías, en el comportamiento o, al menos, en la medida analizada.  Estas alertas se combinan mediante rutinas que, teniendo en cuenta la frecuencia y la duración de las mismas, dan lugar a avisos.

Los avisos generados en los algoritmos unidos a las propias alarmas de los aerogeneradores o inversores son analizados mediante modelos basados en influencias bayesianas, arboles de decisión y estadística, para determinar la probabilidad de desencadenamiento de un fallo.

Esta metodología ha sido desarrollada en el ámbito de los proyectos AWESOME (ITN – H2020) y Doctor PV (RETOS 2017) y está en vías de puesta en marcha en algunos proyectos pilotos.

Resultados

Esta metodología general tiene que ser adapta a cada uno de los proyectos en los que se aplica, ya que los algoritmos tienen que adecuarse a la diferente información disponible en cada uno de los proyectos y los resultados también se adecuan a las necesidades de cada cliente.  A continuación, se presentan algunos ejemplos de ambas tecnologías en las que se ha trabajado la detección de diferentes fallos.

En el caso de los parques eólicos se ha elegido el fallo del motor del sistema de giro de la góndola, y una avería en la multiplicadora, ambos fallos comunes y con una gran afección sobre la operación de las plantas.  En el caso de las plantas fotovoltaicas se muestra una caída de producción ocasionada por el fallo en los sistemas de orientación de los seguidores.

Caso 1: Fallo en motorreductor

En un aerogenerador el motorreductor es el componente encargado de hacer girar la góndola y situar el rotor siempre a barlovento alineado con la dirección del viento en cada momento. Una avería de la misma resulta crítica porque impide la orientación de la máquina y por tanto obliga a la parada inmediata de la misma ya que de otra forma se producirían ineficiencias en la producción o, lo que es peor, sobrecargas en la estructura de la máquina que podría llegar a dañarla.

Tal y como se ha explicado en la metodología, una vez se han tratado y analizado los datos el primer paso de los algoritmos de detección es la identificación de las variables que influyen en este fallo.  Para ello se trabaja con toda la información aplicando árboles de decisión.  El resultado en este caso ha sido que las variables más influyentes en este fallo son la potencia, la velocidad y turbulencia del viento, la temperatura de la bomba del grupo hidráulico de refrigeración, la velocidad del generador, además de 9 alarmas diferentes. En la Figura , se muestra el árbol de decisión que combina las citadas variables.

Caso 2: Fallo en multiplicadora del aerogenerador

La multiplicadora es el componente que está en el centro del tren mecánico de la máquina y que une el rotor (palas) con el generador, elevando la velocidad de giro del eje para generar a la frecuencia de la red. Este componente se encuentra solo en los aerogeneradores con generador asíncrono o de jaula de ardilla y presenta cierta frecuencia de fallo por trabajar en regímenes de funcionamiento variable provocado por las propias características del viento que lo pone en movimiento.

El resultado del análisis realizado con los árboles de decisión que modelizan el fallo en la multiplicadora es que las variables identificadas como críticas son la potencia, la velocidad de viento, la temperatura aceite multiplicadora, la temperatura del tanque de la multiplicadora, la temperatura ambiente de góndola, y la temperatura de los rodamientos multiplicadora.

En este caso son únicamente las medidas las que determinan el fallo y no es necesario el apoyo de las alarmas de la máquina. Esto se debe principalmente a que, al ser uno de los equipos que presentan una relación más alta de coste de reparación o remplazo y probabilidad de fallo, suelen estar altamente monitorizados.   En la Figura se muestra como ejemplo las medidas de las diferentes temperaturas registradas antes y después del fallo, discriminando además en función de la velocidad de viento.  En las gráficas se puede ver el incremento de la temperatura y en especial el de la temperatura medida en el rodamiento antes del fallo y como se restablecen los valores una vez se reemplaza la multiplicadora.

Caso 3: Fallo en el Sistema de orientación de los seguidores solares

El último caso de estudio detecta la existencia de desalineaciones en los sistemas de seguimiento solar.  El desalineamiento provoca un desvío respecto a la orientación óptima de los módulos con respecto al sol y por tanto lleva asociada una bajada de producción.

La planta estudiada tiene un sistema de orientación de doble eje capaz de seguir al sol en la mayor parte de su recorrido, consiguiendo una mayor generación.  Si hay un fallo en el sistema de orientación se produce una pérdida importante de producción y de eficiencia de la planta.

En este caso las variables identificadas como sensibles en el modelo son la radiación, la producción, la velocidad de viento, y el ángulo de los seguidores.

En la Figura 5 se muestra un ejemplo de 5 inversores, uno de ellos, el número 2, se encuentra bien alineado mientras que los cuatro restantes presentan una orientación deficiente.  En la gráfica se puede ver la pérdida de producción de los inversores mal alineados con el factor estándar y equivalente a la producción, horas equivalentes al año.

Las pérdidas de producción por los fallos de orientación dependen del periodo en el que está desorientado por lo que es muy importante la detección temprana de este fallo.

Conclusiones

Los datos SCADA registrados en las plantas y parques, por si mismos, sin necesidad de incluir sensores adicionales, son información suficiente y fiable para realizar un diagnóstico adecuado y detectar errores en la operación, tal y como se ha demostrado en los casos estudio presentados.

Económicamente, este proceso es relativamente asequible ya que está basado en el tratamiento de los datos ya almacenados y no requiere la instalación de nuevos dispositivos y por lo tanto no implica un incremento del CAPEX del proyecto. La inversión en el estudio de los datos, respecto a los beneficios que se pueden obtener supone un balance positivo y una acción básica a la hora de mejorar la eficiencia y mantenimiento de las plantas de generación.

El disponer de un conocimiento del estado de las instalaciones y de una probabilidad de fallos permite optimizar las labores de mantenimiento, aumentar la eficiencia de las plantas e incluso alargar la vida útil de las mismas consiguiendo un incremento del LCOE.

Referencias

• AEE – Asociación Empresarial Eólica. (2018). Anuario Eólico.
• Alessandro Betti , Maria Luisa Lo Trovato , Fabio Salvatore Leonardi , Giuseppe Leotta, F. R. and C. L. (2017). PREDICTIVE MAINTENANCE IN PHOTOVOLTAIC PLANTS WITH A BIG DATA APPROACH. 33rd European Photovoltaic Solar Energy Conference and Exhibition (EUPVSEC), 53(9), 1895–1900.
• Gonzalez, E., Reder, M., & Melero, J. J. (2016). SCADA alarms processing for wind turbine component failure detection. Journal of Physics: Conference Series, 753(7).
• Gonzalez, Elena, Nanos, E. M., Seyr, H., Valldecabres, L., Yürüşen, N. Y., Smolka, U., … Melero, J. J. (2017). Key Performance Indicators for Wind Farm Operation and Maintenance. Energy Procedia, 137, 559–570.
• Reder, M., & Melero, J. J. (2018). A Bayesian Approach for Predicting Wind Turbine Failures based on Meteorological Conditions. Journal of Physics: Conference Series, 1037(6).
• Reder, Maik, Yürüşen, N. Y., & Melero, J. J. (2018). Data-driven learning framework for associating weather conditions and wind turbine failures. Reliability Engineering and System Safety, 169(October 2017), 554–569.
• Talayero, A. P., Melero, J. J., Llombart, A., & Casado, A. (2018). Operation and Maintenance in Solar Plants: Eight study cases. International Conference on Renewable Energies and Power Quality (ICREPQ’18), 1(16), 499–504.
• Tautz-Weinert, J., Yürüşen, N. Y., Melero, J. J., & Watson, S. J. (2019). Sensitivity study of a wind farm maintenance decision – A performance and revenue analysis. Renewable Energy, 132, 93–105.
• UNEF-Unión Española de Fotovoltaica. (2019). El sector fotovoltaico impulsor de la transición energética.