風力タービンの予知

再生可能エネルギーへの需要の高まりにより、風力タービン技術は世界的に普及し、急速に拡大しています。風力タービンは通常20年の寿命を持つように設計されていますが^{[ 1 ]}、複雑な負荷と稼働環境のため、その期間に大規模な修理と広範なメンテナンスなしにその寿命まで稼働することはまれです^{[ 2 ]} 。風力発電所の管理を改善するために、ダウンタイムと生産損失を減らすために、計画的および事後的なメンテナンスではなく、予防的メンテナンスへの移行が進んでいます。これは、予知監視/管理システムを使用することで実現されます。

一般的な風力タービンの構造は、多段式遊星歯車機構、油圧システム、その他様々な電気機械式駆動装置など、複雑なシステムで構成されています。一部の機械システムの規模や設置場所の遠隔性から、風力タービンの修理は非常に高額になり、調整も困難となるため、長期間の稼働停止と生産損失につながる可能性があります。

今後数年間で一般的な風力タービンの容量は15MWを超えると予想されており^{[ 3 ]、}洋上風力発電所へのアクセスが困難であることから、予測手法の使用は業界内でさらに普及すると予想されます。

風力タービンの予知保全は、資産健全性管理、状態監視、または状態管理とも呼ばれます。

初期の小型風力タービンは比較的シンプルで、タービンを制御するために必要な最小限の計器しか装備されていませんでした。比較的未熟な技術であったため、長期運用を確保することに重点を置いた設計はほとんどありませんでした。タービンの停止につながる主な故障は、通常、駆動系またはピッチシステムに関連しています。^{[ 4 ]}

風力タービン技術は急速に発展してきた。タービンの容量、複雑さ、コストが増大するにつれ、風力タービンに搭載される計測機器の高度化も著しく進み、新型風力タービンではより効果的な予知保全システムが可能になった。これを受けて、老朽化し​​た設備を効果的に管理するため、既存の風力タービンにも同様のシステムを後付けする傾向が強まっている。

予防保全を可能にする予知保全手法は、航空宇宙産業やその他の産業用途など、一部の産業では数十年前から一般的でした。風力タービンの設計が複雑化するにつれて修理費用が増加しているため、風力タービン産業では、稼働率を確保するための時間当たりの電力アプローチなど、これらの産業から多くの予知保全手法や経済モデルを採用することが期待されています。^{[ 5 ]}

タービンの故障、特に機械的な故障は、修理にかなりのダウンタイムを要します。さらに、タービンは多くの場合、遠隔地や洋上に建設されるため、メンテナンスは物流面および財務面で課題となります。タービンの故障の分析と軽減は、風力発電のコストと信頼性を向上させるために不可欠です。^{[ 6 ]}修理ごとに最もダウンタイムが発生するコンポーネントは、通常、タービンブレードと駆動系のコンポーネントです。^{[ 7 ]}

風力タービンの予知保全方法は、大きく2つのカテゴリーに分類できる。

• SCADAベース
• 振動ベース

ほとんどの風力タービンには、メーカーによってさまざまな計測機器が取り付けられています。ただし、これは通常、タービンの動作、環境条件、および駆動系温度に必要なパラメータに限定されます。^{[ 13 ]} このSCADAベースのタービン予知アプローチは、より基本的な風力タービン設計にとって最も経済的なアプローチです。

複雑な駆動系と潤滑システムを備えたより複雑な設計の場合、振動監視とオイル監視の予知システムの有効性が多くの研究で実証されています。^{[ 14 ]}これらは現在広く市販されています。

従来のコンテンツ管理システム（CMS）は、ギアボックスの監視タスクに圧電振動センサーを使用するのが一般的です。これらのセンサーは十分なデータを取得できますが、ローターの不均衡などの低周波現象の検出には不十分です。マイクロ電気機械システム（MEMS）センサーは、0 Hz（DCオフセットとも呼ばれる）までの周波数を測定できるため、より詳細な情報を提供します^{[ 15 ]} 。この機能により、これらの高度なセンサーは、入力シャフト（「1P」）とブレード通過（「3P」）に関連する重要な周波数を特定できます。これらの周波数はどちらも1  Hz未満であることが多く、従来のCMS技術では検出されません。

最先端技術を活用したこの高度な監視ソリューションは、タービンブレードへの着氷によるものを含む振動傾向の追跡に優れています。ローターに不均衡が生じると、システムは1Pローター周波数の増加を検知するように設計されています。質量不均衡は、汚れや氷の不均一な蓄積、水分の存在、損傷など、さまざまな問題から発生する可能性があります。さらに、個々のブレード形状の不正確さ、物理的な損傷、またはピッチ校正のエラーにより、空力不均衡が発生する場合があります。

機上データ収集システムによってデータが収集されると、通常は処理され、地上またはクラウドベースのデータストレージシステムに送信されます。

生のパラメータとそこから導出された健全性指標は、通常、時間経過とともに推移が観察されます。駆動系の故障の性質上、故障診断のためには、これらのデータは一般的に周波数領域で解析されます。

GHEは、風力タービンのSCADA （監視制御およびデータ収集）システムから、動的な環境条件下での発電能力としてタービンの性能を解釈することで生成できます。まず、風速、風向、ピッチ角などのパラメータを入力として選択します。次に、風力発電を特徴付ける2つの重要なパラメータである風速と実際の出力（タービンが正常な状態で稼働していることがわかっている場合）を使用して、ベースラインモデルを構築します。リアルタイムデータが到着すると、同じパラメータを使用して現在の性能をモデル化します。GHEは、新しいデータとベースラインモデルとの間の距離を計算することによって得られます。

GHEの経時的な傾向を分析することで、単位収益が事前に設定された損益分岐点を下回る時期を予測できます。メンテナンスは、LDE値が低いコンポーネントに対して実施する必要があります。LDEは、状態監視システム（CMS）とSCADAからの測定値に基づいて計算され、コンポーネントレベルでの初期故障の特定と診断に使用されます。

機械学習は、数千基の風力タービンから毎秒数回、振動、温度、電力などの膨大な量のデータを収集および分析して、故障を予測および防止するためにも使用されます。^{[ 16 ]}

• 意思決定支援システム
• 予後予測