Os Desafios de Crescimento e Custo da Energia Eólica

O uso de energia eólica tá crescendo pelo mundo todo. Em 2000, a energia eólica produzia cerca de 30 terawatts-hora (TWh), o que era só 0,2% da eletricidade mundial. Em 2022, esse número disparou pra mais de 2.000 TWh, representando 7,6% da produção global de energia. Países como a Alemanha e o Reino Unido já têm a energia eólica representando 20-30% da sua eletricidade. Nações menores com bons recursos eólicos, como a Irlanda e o Uruguai, têm até porcentagens maiores, com a Dinamarca alcançando 55%. Com esse crescimento, a pressão só aumenta pra reduzir os custos operacionais e de manutenção associados à energia eólica.

Uma maneira de ver os custos operacionais e de manutenção é em relação ao custo nivelado de energia (LCOE). Em 2020, a mediana do custo operacional e de manutenção (O&M) da energia eólica era de 24%, que é menor que a energia nuclear, que tá em 38%. Mas ainda assim, é mais alto que os custos da energia solar e a gás, que eram 13% e 11%, respectivamente. Então, tá claro que ainda precisamos reduzir mais os custos de O&M das turbinas eólicas.

O Monitoramento de Condição (CM) é uma ferramenta que ajuda nisso. Ele vai além de só identificar falhas em tempo real; também permite uma previsão antecipada de problemas potenciais. Escolher o método certo de CM depende das tarefas únicas e dos dados disponíveis. Este artigo foca em algumas turbinas eólicas offshore confiáveis com diâmetros de rotor de 90 metros e potência nominal de 2 megawatts (MW). O objetivo é prever falhas raras precocemente e determinar as estratégias de manutenção mais custo-efetivas.

Os dados em questão consistem em medições de sensores que mudam com o tempo, mostram tendências sazonais, são desequilibradas e são parcialmente correlacionadas. Por isso, qualquer método usado precisa de uma abordagem multifacetada que inclua um modelo de comportamento normal (NBM), métricas para medir desvios desse modelo e um mecanismo pra decidir quando é hora de ativar alarmes para Anomalias detectadas.

Existem várias maneiras de construir um NBM, como usar filtros de Kalman, regressão ou técnicas de machine learning como a regressão por vetor de suporte (SVR). Pode-se utilizar diferentes designs de redes neurais, incluindo redes de crença profunda ou redes neurais convolucionais (CNN). O método popular pra medir desvio do comportamento normal costuma ser em desvios padrão acima da média. Medidas mais complexas também podem ser usadas, como métricas de distância entre pontos normais e falhos.

Pra desenvolver o modelo, os valores medianos de todas as turbinas saudáveis são usados pra lidar com o desafio de dados de treinamento limitados. O desvio acumulado do NBM é calibrado pra cada turbina, tanto no começo do período de teste quanto depois de falhas conhecidas. Os resultados são apresentados em termos de distribuições de custo, permitindo uma visão abrangente das despesas relacionadas à manutenção.

#Visão Geral dos Custos da Energia Eólica

O crescimento da energia eólica é amplamente reconhecido, mas vem com custos operacionais e de manutenção crescentes. Esses custos podem impactar significativamente a lucratividade dos projetos de energia eólica. Por isso, é vital analisar esses custos em relação ao custo total da energia.

Os custos operacionais e de manutenção costumam ser expressos como uma fração do custo nivelado da energia (LCOE). Quanto maiores esses custos em relação ao LCOE, menos eficiente a instalação de energia eólica se torna. Em 2020, o custo de operação e manutenção da energia eólica foi marcado em 24%. Embora isso seja menor que os custos da energia nuclear, ainda assim apresenta uma oportunidade de melhoria em comparação com a energia solar e a gás.

Conforme a produção de energia eólica aumenta, o foco em reduzir os custos operacionais e de manutenção intensifica. O monitoramento de condição se torna uma ferramenta chave na gestão desses custos, permitindo que os operadores previssem falhas potenciais antes que elas acontecessem, possibilitando uma abordagem mais proativa.

#Monitoramento de Condição: Métodos e Desafios

O monitoramento de condição desempenha um papel essencial na manutenção de operações confiáveis das turbinas eólicas. Inclui a detecção em tempo real de falhas e previsão antecipada de problemas. No entanto, escolher o método certo pode ser desafiador devido à natureza diversa dos dados envolvidos.

No caso do nosso estudo, focamos em um grupo selecionado de turbinas eólicas offshore com potência nominal de 2 MW. Os sensores coletam dados que são influenciados por vários fatores, incluindo tempo e sazonalidade. Como os dados são desequilibrados e parcialmente correlacionados, uma abordagem de múltiplos componentes é necessária. Essa abordagem inclui estabelecer um modelo de comportamento normal (NBM), medir desvios e desenvolver um mecanismo de tomada de decisão para alarmes.

Dado que existem muitos métodos para criar um NBM, a decisão sobre qual usar deve ser cuidadosamente considerada. Os modelos podem variar de métodos estatísticos como regressão até técnicas complexas de machine learning. O método escolhido deve capturar efetivamente os comportamentos das turbinas enquanto se adapta às condições em mudança.

O objetivo principal é estabelecer um NBM confiável, que sirva como uma linha de base pra detectar anomalias nos dados dos sensores. Esse NBM precisa ser robusto o suficiente pra acomodar diferentes condições operacionais, enquanto é sensível a quaisquer desvios que surgem.

#Coleta e Preparação de Dados

Os detalhes dos dados coletados para análise incluem leituras de sensores e registros de falhas das turbinas eólicas envolvidas no estudo. Os dados abrangem dois anos completos, consistindo em várias medições de sensores, logs indicando estados operacionais e registros de falhas que ocorreram.

Esses sensores medem uma variedade de fatores, incluindo temperatura e velocidade de rotação, que são cruciais pra entender o estado operacional das turbinas. Os logs fornecem um contexto valioso pra quaisquer eventos extraordinários que aconteçam durante a operação das turbinas.

Na preparação dos dados pra análise, focamos em criar um estado saudável representativo das turbinas, que chamamos de "turbina Frankenstein". Essa turbina composta usa os valores medianos das medições dos sensores saudáveis de várias turbinas, filtrando qualquer anomalia ou comportamento não saudável.

Pra garantir uma análise sólida, também precisamos remover períodos imediatamente antes de falhas conhecidas, já que esses representam condições não saudáveis. Assim, podemos criar uma visão mais precisa de como a operação normal se parece, permitindo que analisemoss os desvios de forma eficaz.

#Construindo o Modelo de Comportamento Normal

A próxima etapa envolve desenvolver o modelo de comportamento normal (NBM) usando os dados limpos e preparados. O modelo precisa representar com precisão os estados operacionais esperados das turbinas, minimizando o impacto de fatores externos.

Ao construir o NBM, podemos aplicar técnicas como análise de regressão pra identificar as variáveis que mais impactam o desempenho das turbinas. Utilizando dados de regressores externos-ou seja, dados de sensores de outros componentes-podemos criar um modelo mais abrangente que leve em conta as interações entre diferentes partes da turbina.

Um método eficaz que exploramos foi usar um modelo de regressão que incorpora sazonalidade e regressores externos. Isso nos permite considerar variações nas leituras dos sensores com base em tendências sazonais, tornando o modelo mais robusto e reflexivo das condições do mundo real.

Outro aspecto chave do NBM é lidar com quaisquer desvios. Uma vez estabelecido, podemos analisar os resíduos, que representam as diferenças entre as leituras de sensores previstas e reais. O objetivo é identificar quando esses resíduos indicam uma falha potencial, levando-nos à próxima fase da análise.

#Detectando Desvios e Ativando Alarmes

Uma vez que temos nosso NBM no lugar, o próximo desafio é monitorar desvios desse modelo de forma consistente. Detectar quando os valores diferem significativamente do comportamento esperado é crucial pra geração de alarmes em tempo hábil.

Pra isso, podemos usar uma soma cumulativa dos resíduos pra acompanhar variações ao longo do tempo. Esse método nos permite estabelecer limites de controle que, quando ultrapassados, podem indicar um problema potencial.

O mecanismo de decisão de alarme é projetado pra minimizar falsos positivos enquanto maximiza a identificação de verdadeiras falhas. Dada a quantidade limitada de dados de falha disponíveis, é importante encontrar um equilíbrio entre sensibilidade e especificidade no sistema de alarmes.

Após falhas conhecidas, o modelo deve ser calibrado pra refletir o novo estado operacional da turbina. Essa calibração envolve esperar um período até que um comportamento estável seja observado e então redefinir o cálculo do CUSUM com base nessa nova linha de base.

À medida que continuamos a refinar e avaliar o modelo, também procuramos estabelecer uma distribuição de probabilidade pra os limiares de alarme. Isso nos permite amostrar vários limiares que podem oferecer o melhor equilíbrio de custo vs. benefício na detecção de falhas, permitindo uma estratégia de manutenção mais flexível e lucrativa.

#Estudos de Caso: Analisando Desempenho

Pra avaliar a eficácia do modelo e métodos propostos, é essencial conduzir estudos de caso usando dados operacionais reais. Analisando turbinas específicas e sua história operacional, podemos entender melhor como o modelo se comporta em diferentes cenários.

Duas turbinas de interesse incluem T07 e T11, cada uma mostrando padrões de falha distintos. A T07 não tem falhas registradas durante a fase de treinamento, mas apresenta um vazamento de óleo nas fases de teste posteriores. Em contraste, a T11 mostra falhas consistentemente em todas as fases, relacionadas a um erro no grupo hidráulico do circuito de freio.

Através de uma análise detalhada, observamos que nosso modelo identifica com sucesso potenciais falhas na T07 durante os períodos de teste, demonstrando sua capacidade de generalizar e monitorar efetivamente turbinas que não apresentavam problemas anteriormente.

Por outro lado, ao examinar a T11, o modelo consegue encontrar casos de falha de forma eficaz. Isso sugere um grau mais alto de confiabilidade no modelo, especialmente para turbinas com histórico de falhas conhecido.

É importante notar que tanto o modelo quanto as abordagens de manutenção aleatória oferecem resultados melhores do que a manutenção reativa em termos de custos operacionais. A análise estatística entre diferentes turbinas mostra que as previsões feitas pelo modelo foram consistentemente mais lucrativas do que simplesmente responder a falhas após ocorrerem.

#Resultados e Discussão

Os resultados obtidos a partir da análise sugerem insights promissores sobre a eficiência operacional das turbinas eólicas. Ao implementar uma estratégia eficaz de monitoramento de condição, conseguimos economizar significativamente em várias turbinas.

As economias obtidas fornecem um forte argumento para a necessidade de manutenção preditiva. As reduções médias de custos alcançadas através de um modelo de manutenção proativa superam as de manutenções aleatórias e reativas, indicando que inspeções bem-timed levam a melhores resultados gerais.

Além disso, apresentar uma distribuição completa dos resultados oferece uma visão mais transparente dos potenciais resultados em vez de apenas mostrar os melhores resultados. Essa abordagem holística ajuda a entender melhor tanto os riscos quanto os benefícios associados ao uso de monitoramento de condição e estratégias de manutenção preditiva.

As descobertas gerais destacam a importância crítica de criar um modelo de manutenção detalhado que reflita cenários operacionais reais enquanto minimiza custos. Trabalhos futuros podem expandir essas ideias integrando algoritmos mais sofisticados ou incorporando fluxos de dados adicionais de outros componentes da turbina.

#Conclusão

Em resumo, o crescimento da energia eólica apresenta um futuro promissor, embora com desafios atrelados aos custos operacionais e de manutenção. Ao aproveitar técnicas de monitoramento de condição, podemos melhorar significativamente a eficiência das turbinas eólicas enquanto reduzimos despesas a longo prazo.

A metodologia desenvolvida neste estudo demonstra como uma abordagem abrangente ao monitoramento de condição pode trazer benefícios substanciais. Através da cuidadosa preparação dos dados, do estabelecimento de um modelo de comportamento normal confiável e de mecanismos de alarme eficazes, podemos melhorar muito os resultados da manutenção preditiva.

Nosso trabalho enfatiza a necessidade de pesquisa e desenvolvimento contínuos nesta área, focando em refinar algoritmos, expandir conjuntos de dados e explorar diferentes designs pra otimizar a manutenção de turbinas eólicas. Essa abordagem vai ajudar a garantir que a energia eólica continue sendo uma fonte vital e sustentável de eletricidade no futuro.