Détection en temps réel de sous-performance énergétique d’éoliennes

Gervais, Maxime (2012). Détection en temps réel de sous-performance énergétique d’éoliennes. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (14MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

Le projet a été réalisé dans le cadre d'une collaboration entre BBA, l'École de technologie supérieure, le Technocentre éolien (TCE) et Osisoft Canada. Le TCE a fourni les données pour une période d'un an des deux éoliennes Repower MM92 du site nordique expérimental en éolien CORUS (SNEEC). L'objectif est de développer et d'intégrer des outils de suivi de performance des éoliennes, une branche des systèmes de maintenance conditionnelle. Les outils développés sont la méthode Caselitz, les cartes de contrôle et la méthode des moments centraux. Tous les outils sont développés dans l'environnement Matlab. Les outils Caselitz et Cartes de contrôle sont également intégrés dans le système Osisoft PI du TCE. Ils sont développés à partir de deux modèles de prédiction de la puissance, soit un basé sur la méthode des « bins » et un de type réseau de neurones. Les modèles sont entrainés avec des données s’échelonnant sur une période de 143 jours en utilisant une moyenne 10 min glissante sur 2 min et une moyenne 1 min.

La méthode de Caselitz a été développée pour les modèles « bins ». Les cartes de contrôles ont été développées avec les indicateurs ratio de performance et le résidu afin d'avoir une unité de mesure de la performance indépendante de la vitesse d'opération. Les limites sont calculées avec l'écart-type séparé par « bins » de vitesse de 0.5 m/s des indicateurs pour les données de bon fonctionnement. La méthode des moments centraux a été déterminée par essai-erreur. La méthode des moments centraux avec l'indicateur résidu est celle qui concorde le plus avec la méthode des moments centraux.

Les indicateurs journaliers : durée (%), pertes (% et kWh) et distance (%) pour des moments centraux sont développées pour chacune des méthodes de détection de sous-performance. Une analyse de corrélation permet de déterminer les méthodes les plus performantes. Pour l'analyse des causes, les 29 journées avec le plus de pertes pour une des deux éoliennes seulement ont été étudiées. Pour ce faire, nous avons utilisé une méthode d’analyse graphique d’indicateurs de givre ainsi que des codes d'erreur de l'éolienne. Les résultats sont décrits dans un tableau sommaire.

Titre traduit

Real time detection of wind turbine energetic underperformance

Résumé traduit

The project was conducted as part of a collaboration between BBA, École de technologie supérieure, the Technocentre Éolien (TCE) and Osisoft Canada. TCE has provided data for a period of one year for two turbines Repower MM92 on the site nordique experimental en éolien CORUS (SNEEC) wind farm. The objective is to develop and integrate tools for performance monitoring of wind turbines a branch of condition monitoring systems. The tools developed are Caselitz method, control charts and central moments method .These tools are developed in the Matlab environment. Caselitz tools and control charts are also integrated into the OSIsoft PI system of TCE. They are developed from two predicting models of the power based on "bins" method and neural network. The models are trained with data spanning a period of 143 days using a 10 min average running on 2 min and a 1 min average.

Caselitz method was developed for "bins" models. Control charts have been developed with performance ratio and residue indicators to have a unit of measure of performance independent of the speed of operation. The limits are calculated with the standard deviation divided by speed “bins” of 0.5 m/s for data operation of good operation. Central moments method was determined by trial and error. The method of central moments with the residue indicator is one that fits best with the Sgurrtrend example.

The daily indicators: duration (%), losses (% and kWh) and distance (%) for central moments method are developed for each method. A correlation analysis determines the most effective methods. For the root cause analysis, 29 days with the most losses for one of the two wind turbines were studied. In order to achieve this, we used a graphical analysis of frost indicators as well as status codes from the wind turbine. The results are described in a summary table.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Rapport de mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie concentration énergies renouvelables et efficacité énergétique" Bibliogr. : f. [173]-174.
Mots-clés libres:	Éoliennes. Énergie éolienne. analyse, bin, carte, caselitz, cause, central, contrôle, corus, givre, indicateur, méthode, moment, neuronal, réseau, sneec, sous-performance
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Masson, Christian
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	29 janv. 2013 17:32
Dernière modification:	04 mars 2017 00:52
URI:	https://espace.etsmtl.ca/id/eprint/1110

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt