Best Practice

Smart Monitoring für Windkraftanlagen

Intelligente Überwachung

Offshore Windparks können mit ihren überdurchschnittlich großen Windkraftanlagen einen enormen Beitrag zur Energieversorgung aus regenerativen Quellen leisten. Die Herausforderung: geplante Wartungen oder spontane Service-Einsätze sind extrem zeit- und kostenintensiv – die Anlagen auf hoher See sind zum einen hochkomplex, zum anderen aber auch schwer zugänglich. Ein großer Energieversorger hatte daher den Wunsch, mit hoher Genauigkeit feststellen zu können, welche an den Anlagen ermittelten Sensorwerte für den aktuellen Zustand einer Windturbine normal sind und damit im gleichen Zuge irreguläres Verhalten schneller erkennen zu können. Ziel war es, ein intelligentes Überwachungssystem für Windkraftanlagen zu implementieren, um Probleme im Inneren der Anlagen schnell identifizieren zu können und letztendlich Stillstandszeiten und Ausfälle zu reduzieren. Data Reply lieferte die Architektur und Implementierung für das Projekt. Das Endprodukt ist ein spezielles und effizientes Tool für Standortbetreiber, das mittlerweile in 30 On- und Offshore-Windparks in Betrieb genommen worden ist – weitere sollen folgen.

Eine Branche mit speziellen Anforderungen

Werkzeuge für die Überwachung von Sensordaten gibt es bereits viele am Markt, jedoch sind sie häufig zu wenig ausgereift um den speziellen Anforderungen und spezifischen Bedürfnisse der Windenergiebranche gerecht zu werden. Der Windkraftsektor benötigt intelligente Tools, die sich – ergänzt durch maschinelles Lernen – für komplexe Anlagen eignen. Die Herausforderung bestand darin, dass aufgrund der unterschiedlichen Konfigurationen und Nachlaufeffekte jede Turbine in ihrem Verhalten einzigartig ist. Daher mussten die Modelle auf Turbinenbasis trainiert werden. Die dafür benötigten Sensordaten wurden bereits erfasst, und mussten im Laufe des Projektes verarbeitet werden.

Turbinenzustand vorhersagen

Um den erwarteten Turbinenzustand vorhersagen zu können, kommen "Random Forest Regressor Models" zum Einsatz, ein weiterentwickeltes Konzept der Entscheidungsbäume, das weniger anfällig für Overfitting ist.

Anomalien identifizieren

Tali modelli permettono di rilevare con grande precisione ogni scostamento dei dati reali dal valore previsto. Il cliente può così individuare facilmente, sulla propria dashboard, anche minime anomalie.

In der Cloud agieren

Für die Entwicklung haben die Experten von Data Reply auf Open-Source-Tools zurückgegriffen, unter anderem da hierdurch Lizenzgebühren vermieden werden. Hierzu gehören On-Demand Spark Cluster in der Azure Cloud.

Automatische Datenverarbeitung

Sobald genug Daten zur Verfügung stehen, wird durch einen automatischen Trigger ein Cluster erstellt und die Datenverarbeitung automatisch gestartet. Nach der Verarbeitung wird das Cluster wieder heruntergefahren, was zu einer hohen Kosteneinsparung führt. Auch wenn mit Spark die Lösung als 24/7 Streaming Job möglich wäre, wird die „On-Demand Batch Job“ Variante bevorzugt, da es sich um ein Cluster von rund 2TB Arbeitsspeicher handelt, das so nur 2-3 Stunden täglich eingeschaltet ist.

Probleme in Turbinen schneller erkennen

Gemeinsam mit dem Kunden bauten die Data Scientists und Entwickler von Data Reply eine hochskalierbare Spark Pipeline auf, die mit Hilfe trainierter Machine Learning Modelle abweichende Sensormesswerte in Windkraftanlagen identifiziert. Die Ergebnisse werden im Monitoring-Tool für Windparks dargestellt und liefern wertvolle Inputs für Standortbetreiber. Sie können nun Probleme identifizieren, bevor sie zu erheblichen Ausfallzeiten führen. Das Projekt befindet sich aktuell in der Weiterentwicklung, da weitere Funktionen eingeführt werden sollen. Zu den aktuellen Features der Entwicklung gehören die Vibrationsanalyse, die Kategorisierung von Ausfallzeiten und Verfolgung von Arbeitsaufträgen. Neben dem Ausbau der Funktionen soll das System auch Schritt für Schritt für weitere Windparks umgesetzt werden.