Le sfide di crescita e costo dell'energia eolica

L'uso dell'energia eolica sta crescendo in tutto il mondo. Nel 2000, l'energia eolica produceva circa 30 terawattora (TWh), che era solo lo 0,2% dell'elettricità mondiale. Nel 2022, questo numero è salito a oltre 2.000 TWh, rappresentando il 7,6% della produzione energetica globale. Paesi come la Germania e il Regno Unito vedono l'energia eolica che copre il 20-30% della loro elettricità. Nazioni più piccole con forti risorse eoliche, come Irlanda e Uruguay, hanno percentuali ancora più alte, con la Danimarca che raggiunge il 55%. Con questa crescita, aumenta anche la pressione per ridurre i costi operativi e di manutenzione associati all'energia eolica.

Un modo per valutare i costi operativi e di manutenzione è in relazione al costo livellato dell'energia (LCOE). Nel 2020, il rapporto medio dei costi operativi e di manutenzione (O&M) per l'energia eolica era del 24%, che è più basso rispetto all'energia nucleare al 38%. Tuttavia, è ancora più alto rispetto ai costi per l'energia solare e a gas, che erano rispettivamente del 13% e 11%. Dunque, è chiaro che sono necessarie ulteriori riduzioni dei costi O&M per le turbine eoliche.

Il Monitoraggio delle condizioni (CM) è uno strumento che aiuta in questo. Non si limita a identificare guasti in tempo reale; consente anche di prevedere precocemente potenziali problemi. Scegliere il giusto metodo CM dipende dai compiti unici e dai dati disponibili. Questo articolo si concentra su alcune turbine eoliche offshore affidabili con diametri del rotore di 90 metri e potenza nominale di 2 megawatt (MW). L'obiettivo è prevedere rarità di guasti e determinare le strategie di manutenzione più cost-effective.

I dati in questione consistono in misurazioni dei sensori che cambiano nel tempo, mostrano tendenze stagionali, sono squilibrate e parzialmente correlate. Di conseguenza, qualsiasi metodo impiegato necessita di un approccio multifaccettato che includa un modello di comportamento normale (NBM), metriche per misurare deviazioni da questo modello e un meccanismo per decidere quando attivare allarmi per Anomalie rilevate.

Ci sono vari modi per costruire un NBM, come usare filtri di Kalman, regressione o tecniche di machine learning come la regressione a vettore di supporto (SVR). Si possono utilizzare diversi design di reti neurali, tra cui reti di credenza profonda o reti neurali convoluzionali (CNN). Il metodo popolare per misurare la deviazione dal comportamento normale è spesso calcolato in deviazioni standard sopra la media. Si possono usare anche misure più intricate, come metriche di distanza tra punti normali e difettosi.

Per sviluppare il modello, si usano valori mediani di tutte le turbine sane per affrontare la sfida dei dati di addestramento limitati. La deviazione cumulativa dal NBM è calibrata per ogni turbina, sia all'inizio del periodo di test che dopo guasti noti. I risultati sono presentati in termini di distribuzioni dei costi, offrendo una visione completa delle spese relative alla manutenzione.

#Panoramica dei Costi dell’Energia Eolica

La crescita dell'energia eolica è ampiamente riconosciuta, eppure comporta costi operativi e di manutenzione in aumento. Questi costi possono influenzare significativamente la redditività dei progetti di energia eolica. È quindi fondamentale analizzare questi costi in relazione al costo totale dell'energia.

I costi operativi e di manutenzione sono spesso espressi come una frazione del costo livellato dell'energia (LCOE). Più alti sono questi costi in proporzione all'LCOE, meno efficiente diventa l'installazione di energia eolica. Nel 2020, il costo operativo e di manutenzione dell'energia eolica era segnato al 24%. Anche se questo è più basso rispetto ai costi associati all'energia nucleare, rappresenta comunque un'opportunità di miglioramento rispetto a solar e gas.

Con l'aumento della produzione di energia eolica, il focus sulla riduzione dei costi operativi e di manutenzione si intensifica. Il monitoraggio delle condizioni svolge un ruolo chiave nella gestione di questi costi permettendo agli operatori di prevedere potenziali guasti prima che accadano, abilitando così un approccio più proattivo.

#Monitoraggio delle Condizioni: Metodi e Sfide

Il monitoraggio delle condizioni gioca un ruolo essenziale nel mantenere operazioni affidabili per le turbine eoliche. Include rilevamento in tempo reale di guasti e previsione precoce di problemi. Tuttavia, scegliere il metodo giusto può essere complicato a causa della diversità della natura dei dati coinvolti.

Nel nostro studio, ci siamo concentrati su un gruppo selezionato di turbine eoliche offshore equipaggiate con potenza nominale di 2 MW. I sensori raccolgono dati influenzati da vari fattori, incluso tempo e stagionalità. Poiché i dati sono squilibrati e parzialmente correlati, è necessario un approccio multi-componente. Questo approccio include stabilire un modello di comportamento normale (NBM), misurare le deviazioni da esso e sviluppare un meccanismo decisionale per gli allarmi.

Poiché ci sono numerosi metodi per creare un NBM, la decisione su quale utilizzare deve essere valutata attentamente. I modelli possono variare da metodi statistici come la regressione a tecniche di machine learning più complesse. Il metodo selezionato dovrebbe catturare efficacemente i comportamenti delle turbine mantenendosi adattabile a condizioni in cambiamento.

L'obiettivo principale è stabilire un NBM affidabile, che funge da baseline per rilevare anomalie nei dati dei sensori. Questo NBM deve essere robusto a sufficienza per accogliere diverse condizioni operative pur essendo sensibile a eventuali deviazioni emergenti.

#Raccolta e Preparazione dei Dati

Le specifiche dei dati raccolti per l'analisi includono letture dei sensori e registri di guasti delle turbine coinvolte nello studio. I dati si estendono su due anni completi, consistendo in varie misurazioni dei sensori, log che indicano stati operativi e registrazioni di guasti avvenuti.

Questi sensori misurano una varietà di fattori, tra cui temperatura e velocità di rotazione, che sono cruciali per comprendere lo stato operativo delle turbine. I log forniscono un contesto prezioso per eventi straordinari che si verificano durante l'operazione della turbina.

Nella preparazione dei dati per l'analisi, ci concentriamo sulla creazione di uno stato sano rappresentativo delle turbine, che chiamiamo "turbina Frankenstein". Questa turbina composita utilizza i valori mediani delle misurazioni sane dei sensori di più turbine, filtrando eventuali anomalie o comportamenti malsani.

Per garantire un'analisi solida, dobbiamo anche rimuovere i periodi immediatamente prima di guasti noti, poiché questi rappresentano condizioni malsane. In questo modo, possiamo creare una visione più accurata di come appare un'operazione normale, permettendoci di analizzare efficacemente le deviazioni.

#Costruzione del Modello di Comportamento Normale

Il passo successivo prevede lo sviluppo del modello di comportamento normale (NBM) utilizzando i dati ripuliti e preparati. Il modello deve rappresentare accuratamente i stati operativi attesi delle turbine, minimizzando l'impatto di fattori esterni.

Nella costruzione del NBM, possiamo applicare tecniche come l'analisi di regressione per identificare le variabili che impattano maggiormente le performance delle turbine. Utilizzando dati di regressori esterni-cioè dati dei sensori di altri componenti-possiamo creare un modello più completo che tiene conto delle interazioni tra le diverse parti della turbina.

Uno dei metodi efficaci che abbiamo esplorato è stato utilizzare un modello di regressione che incorpora stagionalità e regressori esterni. Questo ci permette di considerare le variazioni nelle letture dei sensori in base alle tendenze stagionali, rendendo il modello più robusto e riflessivo delle condizioni del mondo reale.

Un altro aspetto chiave del NBM è la gestione delle deviazioni. Una volta stabilito, possiamo analizzare i residui, che rappresentano le differenze tra le letture previste e quelle reali dei sensori. L'obiettivo è identificare quando questi residui indicano un potenziale guasto, il che ci porta alla fase successiva dell'analisi.

#Rilevamento delle Deviations e Attivazione degli Allarmi

Una volta che abbiamo il nostro NBM in atto, la prossima sfida è monitorare costantemente le deviazioni da questo modello. Rilevare quando i valori differiscono in modo significativo dal comportamento previsto è cruciale per la generazione tempestiva degli allarmi.

Per farlo, possiamo utilizzare una somma cumulativa dei residui per tenere traccia delle variazioni nel tempo. Questo metodo ci consente di stabilire limiti di controllo che, quando superati, possono indicare un problema potenziale.

Il meccanismo di decisione per gli allarmi è progettato per minimizzare i falsi positivi mentre massimizza l'identificazione dei veri guasti. Dato il limitato numero di dati sui guasti disponibili, è importante trovare un equilibrio tra sensibilità e specificità nel sistema di allarmi.

Dopo guasti noti, il modello dovrebbe essere calibrato per riflettere il nuovo stato operativo della turbina. Questa calibrazione implica attendere un periodo fino a quando non si osserva un comportamento stabile e poi resettare il calcolo CUSUM basato su questa nuova baseline.

Mentre continuiamo a perfezionare e valutare il modello, miriamo anche a stabilire una distribuzione di probabilità per le soglie di allarme. Questo ci permette di campionare varie soglie che possono garantire il miglior equilibrio tra costo e beneficio nella rilevazione dei guasti, consentendo una strategia di manutenzione più flessibile e redditizia.

#Casi Studio: Analisi delle Performance

Per valutare l'efficacia del modello e dei metodi proposti, è essenziale condurre casi studio usando dati operativi reali. Analizzando turbine specifiche e la loro storia operativa, possiamo comprendere meglio come il modello performa in diversi scenari.

Due turbine di interesse includono T07 e T11, ognuna con schemi di guasti distintivi. T07 non ha guasti registrati durante la fase di addestramento, ma subisce una perdita d'olio nelle fasi di test successive. Al contrario, T11 mostra costantemente guasti in tutte le fasi, legati a un errore del gruppo idraulico nel circuito dei freni.

Attraverso un'analisi dettagliata, osserviamo che il nostro modello identifica con successo potenziali guasti in T07 durante i periodi di test, dimostrando così la sua capacità di generalizzare e monitorare efficacemente turbine che in precedenza non avevano mostrato problemi.

D'altro canto, esaminando T11, il modello riesce a trovare efficacemente casi di guasto. Questo suggerisce un maggiore grado di affidabilità nel modello, soprattutto per turbine con una storia di guasti nota.

È anche degno di nota che sia il modello che gli approcci di manutenzione casuale producono risultati migliori rispetto alla manutenzione reattiva in termini di costi operativi. L'analisi statistica su diverse turbine mostra che le previsioni fatte dal modello erano costantemente più redditizie rispetto a rispondere semplicemente ai guasti dopo che si erano verificati.

#Risultati e Discussione

I risultati derivanti dall'analisi suggeriscono intuizioni promettenti sull'efficienza operativa delle turbine eoliche. Implementando una strategia di monitoraggio delle condizioni efficace, abbiamo ottenuto significativi risparmi sui costi su più turbine.

I risparmi ottenuti forniscono un forte argomento per la necessità di manutenzione predittiva. Le riduzioni medie dei costi ottenute attraverso un modello di manutenzione proattivo superano quelle della manutenzione casuale e reattiva, indicando che ispezioni ben pianificate portano a migliori risultati complessivi.

Inoltre, presentare una distribuzione completa dei risultati offre una visione più trasparente dei potenziali esiti rispetto a mostrare semplicemente i migliori risultati. Questo approccio olistico aiuta a comprendere meglio sia i rischi che i benefici associati all'uso di strategie di monitoraggio delle condizioni e di manutenzione predittiva.

I risultati complessivi evidenziano l'importanza critica di elaborare un modello di manutenzione dettagliato che rifletta scenari operativi reali, minimizzando i costi. I lavori futuri potrebbero espandere queste idee integrando algoritmi più sofisticati o incorporando flussi di dati aggiuntivi da altri componenti delle turbine.

#Conclusione

In sintesi, la crescita dell'energia eolica presenta un futuro promettente, sebbene con sfide legate ai costi operativi e di manutenzione. Sfruttando le tecniche di monitoraggio delle condizioni, possiamo migliorare significativamente l'efficienza delle turbine eoliche riducendo i costi a lungo termine.

La metodologia sviluppata in questo studio dimostra come un approccio completo al monitoraggio delle condizioni possa portare a sostanziali benefici. Attraverso una preparazione accurata dei dati, l'istituzione di un modello di comportamento normale affidabile e meccanismi di allerta efficaci, possiamo migliorare notevolmente i risultati della manutenzione predittiva.

Il nostro lavoro sottolinea la necessità di una ricerca e sviluppo continui in quest'area, concentrandosi sul perfezionamento degli algoritmi, sull'espansione dei set di dati e sull'esplorazione di diversi design per ottimizzare la manutenzione delle turbine eoliche. Questo approccio contribuirà a garantire che l'energia eolica continui a essere una fonte vitale e sostenibile di elettricità per il futuro.