Forecasting wind turbine failures and associated costs investigating failure causes, effects and criticalities,modeling reliability and predicting time-to-failure, time-to-repair and cost of failures for wind turbines using reliability methods and machine learning techniques
Rüzgar türbini arizalarinin ve i̇lgili maliyetlerin tahmini: Ariza nedenlerinin, etkilerinin ve kritik unsurlarinin i̇ncelenmesi, güvenilirlik modellemesi ve rüzgar türbinleri için ariza zamani, onarim zamani ve ariza maliyetlerinin güvenilirlik yöntemleri ve makine öğrenmesi teknikleri kullanilarak tahmin edilmesi
- Tez No: 622184
- Danışmanlar: PROF. DR. VASILIS FTHENAKIS
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Çevre Mühendisliği, Mechanical Engineering, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Columbia University
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Çevre Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 207
Özet
Elektrik talebi, nüfus artışı, teknolojilerin gelişimi ve elektrik yoğun sanayilerin büyümesiyle birlikte hızla artmaktadır. Ayrıca, ortaya çıkan iklim değişikliği kaygıları, hükümetleri rüzgar enerjisi sistemleri gibi çevre dostu elektrik üretim yöntemleri aramaya zorlamaktadır. 2018 yılında rüzgar enerjisi küresel ölçekte 600 GW toplam kapasiteye ulaşmıştır. Ancak bu, küresel elektrik talebinin yalnızca yaklaşık %6'sına karşılık gelmekte olup, elektrik şebekelerine rüzgar enerjisi entegrasyonunun artırılmasına ihtiyaç vardır. Rüzgar enerjisinin rekabet gücünü artırmanın bir yolu, güvenilirliğini ve kullanılabilirliğini geliştirmek ve ilgili bakım maliyetlerini azaltmaktır. Bu çalışmada, rüzgar türbini güvenilirliği ve kullanılabilirliğini araştırmak, modellemek ve geliştirmek amacıyla“Rüzgar İzleme ve Değerlendirme Programı (WMEP)”adlı bir veri tabanı kullanılmıştır. WMEP veri tabanı, 1989-2008 yılları arasında Almanya'daki 575 rüzgar türbinine ait bakım verilerini içermektedir. Türbin modeli ve boyutu, etkilenen alt sistem ve bileşen, arıza nedeni, bakımın tarih ve zamanı, konum ve enerji üretimi gibi ayrıntıları içermesi bakımından benzersizdir. Bu çalışmada ayrıca iklim bölgeleri, coğrafi konum, önceki arıza sayısı ve yıllık ortalama rüzgar hızı gibi ek parametreler veri tabanına eklenmiştir. Bu araştırmada güvenilirlik ve kullanılabilirlik için arıza zamanı (veya arıza oranı) ile onarım zamanı (veya duruş süresi) olmak üzere iki metrik ele alınmış ve geliştirilmiştir. Çalışmada rüzgar türbini alt sistemleri ve bileşenlerinin arıza nedenleri, etkileri ve kritik önemi incelenmiş, güvenilirliği etkileyen risk faktörleri değerlendirilmiş, bu risk faktörlerine dayalı olarak türbin güvenilirliği modellenmiş ve farklı işletme ve çevresel koşullar altında arıza maliyetleri tahmin edilmiştir. Yerleşik bir güvenilirlik değerlendirme tekniği olan Arıza Türleri, Etkileri ve Kritiklik Analizi (FMECA), 109 rüzgar türbini ve üç farklı iklim bölgesine ait WMEP bakım verilerine uygulanarak iklimin ve türbin tasarım tipinin güvenilirlik ve kullanılabilirlik üzerindeki etkileri incelenmiştir. Önce aynı türbinlerde farklı iklim bölgelerinin arıza üzerindeki etkisi araştırılmış, ardından aynı iklim bölgesinde türbin tasarım tiplerinin etkisi incelenmiştir. Ayrıca, bu çalışmanın sonuçları, iklim bölgesi ve türbin tasarım tipi etkilerini göz ardı eden önceki FMECA çalışmalarının sonuçlarıyla (Bölüm 5.4) karşılaştırılmıştır. Rüzgar türbini güvenilirliğini etkileyen risk faktörlerini belirlemek için iki aşamalı kümeleme ve sağkalım analizleri kullanılmıştır. Bu yaklaşımda altı işletme ve çevresel faktör dikkate alınmıştır: kapasite faktörü (CF), türbin tasarım tipi, önceki arıza sayısı (NOPF), coğrafi konum, iklim bölgesi ve yıllık ortalama rüzgar hızı (MAWS). Veriler, sık görülen arızalar (arıza zamanı < 80 gün) olarak sınıflandırılmıştır ve 21 türbine ait 615 operasyon listelenerek tüm bu faktörler ve enerji üretimi değerlendirilmiştir. Ayrıca, rüzgar türbini güvenilirliği lojistik regresyon (LR) ve yapay sinir ağı (ANN) yöntemleriyle modellenmiş; sık arızalanan türbinlerin, bilinen işletme ve çevresel koşullarına bağlı olarak arıza olasılıkları tahmin edilmiştir. Modeller, 10 katlı çapraz doğrulama yöntemiyle test edilmiş, performansları k-en yakın komşu (k-NN) ve destek vektör makineleri (SVM) algoritmalarıyla karşılaştırılmıştır. LR ve ANN'in tahmin performansları, yorumlanabilirlik ve başkalarıyla paylaşılabilirlik açısından da tartışılmıştır. Son olarak, 753 operasyondan elde edilen veriler kullanılarak rüzgar türbini arıza maliyetlerini tahmin etmeye yönelik bir karar destek aracı geliştirilmiştir. Bu araç, 60 günlük işletim süresinde arıza olasılıklarını tahmin etmek için makine öğrenmesi uygulamalarını içermektedir. Ayrıca, türbinlerin işletme ve çevresel koşullarına bağlı olarak onarım süresi olasılıkları (0–8 saat, 8–16 saat, 16–24 saat ve 1 günden fazla) hesaplanmıştır. Arıza maliyetleri, bu onarım sürelerine atanan varsayımsal maliyetler üzerinden tahmin edilmiştir. Karar destek aracı, kullanıcıların tercihine göre arıza maliyetleriyle güncellenebilmektedir. Bu çalışma, risk faktörlerini inceleyerek rüzgar türbini arızalarını daha iyi anlamayı, güvenilirliklerini modellemeyi ve arıza maliyetlerini ileriye dönük olarak tahmin etmeyi sağlamaktadır. Elde edilen bulgular, rüzgar enerjisi geliştiricileri ve işletmecilerine türbin güvenilirliğini artırmada yol gösterici olabileceği gibi, yatırımcılar, işletmeciler ve bakım hizmet yöneticileri için de arıza maliyetlerini öngörmede değerli bir araç sunmaktadır.
Özet (Çeviri)
Electricity demand is rapidly increasing with growth of population, development of technologies and electrically intensive industries. Also, emerging climate change concerns compel governments to seek environmentally friendly ways to produce electricity such as wind energy systems. In 2018, the wind energy reached 600 GW total capacity globally. However, this corresponds to only about 6% of global electricity demand and there is a need to increase wind energy penetration in electricity grids. One way to enhance the competitiveness of wind energy is to improve its reliability and availability and reduce associated maintenance costs. This study utilizes a database entitled“Wind Monitor and Evaluation Program (WMEP)”to investigate, model and improve wind turbine reliability and availability. The WMEP database consists of maintenance data of 575 wind turbines in Germany during 1989-2008. It is unique as it includes details of turbine model and size, affected subsystem and component, cause of failure, date and time of maintenance, location, and energy production from the wind turbines. Additional parameters such as climatic regions, geography number of previous failures and mean annual wind speed are added to the database in this study. In this research, two metrics are considered and developed such as time-to-failure or failure rate and time-to-repair or downtime for reliability and availability, respectively. This study investigated failure causes, effects and criticalities of wind turbine subsystems and components, assessed the risk factors impacting wind turbine reliability, modeled the reliability of wind turbines based on assessed risk factors, and predicted the cost of wind turbine failures under various operational and environmental conditions. A well-established reliability assessment technique - Failure Modes, Effects and Criticality Analysis is applied on the WMEP maintenance data from 109 wind turbines and three different climatic regions to understand the impacts of climate and wind turbine design type on wind turbine reliability and availability. First, climatic region impacts on identical wind turbine failures are investigated, then impacts of wind turbine design type are examined for the same climatic region. Furthermore, we compared the results of this investigation with results from previous FMECA studies which neglected impacts of climatic region and turbine design type in section 5.4. Two-step cluster and survival analyses are used to determine risk factors that affect wind turbine reliability. Six operational and environmental factors are considered for this approach, namely capacity factor (CF), wind turbine design type, number of previous failures (NOPF), geographical location, climatic region and mean annual wind speed (MAWS). Data are classified as frequent (time-to-failure80 days) failures and we identified 615 operations listing all these factor and energy production from 21 wind turbines in the WMEP data base. These factors are examined for their impact on wind turbine reliability and results are compared. In addition, wind turbine reliability is modeled by machine learning methods, namely logistic regression (LR) and artificial neural network (ANN), using the considered 615 operations. The objective of this investigation is to model and predict probability of frequently-failing wind turbines based on wind turbines' known operational and environmental conditions. The models are evaluated and cross validated with 10-fold cross validation and prediction performances and compared with other algorithms such as k-nearest neighbor and support vector machines. Also, prediction performances of LR and ANN are discussed along with their easiness to interpret and share with others. Lastly, using data from 753 operations, a decision support tool for predicting cost of wind turbine failures is developed. The tool development includes machine learning application for estimating probability of failures in 60 days of operation and time-to-repair probabilities for divisions of 0-8hrs, 8-16hrs, 16-24hrs and more than 1 day based on operational and environmental conditions of wind turbines. Prediction for cost of wind turbine failures for 60 days of operation is calculated using assumed costs from time-to-repair divisions. The decision support tool can be updated by the user's discretion on the cost of failures. This study provides a better understanding of wind turbine failures by investigating associated risk factors, modeling wind turbine reliability and predicting the future cost of failures by applying state-of-the art reliability and data analysis techniques. Wind energy developers and operators can be guided by this study in improving the reliability of wind turbines. Also, wind energy investors, operators and maintenance service managers can predict the cost of wind turbine failures with the decision support tool provided in this study.
Benzer Tezler
- Rüzgar çiftliklerinin meteorolojik parametreler üzerindeki etkisi : Model perspektifinden inceleme
The impact of wind farms on the meteorological parameters: The investigation from the model perspective
TARIK KAYTANCI
Doktora
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
- Türkiye'de rüzgar enerjisi üreten türbinlerin enerji tahmini: Markov süreci yaklaşımı
Forecasting wind energy produced from wind turbine in Turkey: Markov process approach
YASİN ATCI
- Wind speed prediction using linear prediction methods
Lineer öngörü metodları ile rüzgar hızı öngörüsü
ZAFER CANAL
Yüksek Lisans
İngilizce
2015
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
YRD. DOÇ. DR. BURAK BARUTÇU
- Forecasting wind power generation with ensembling techniques
Topluluk yaklaşimlariyla rüzgar enerjisi üretimi tahmini
YUNUS EMRE ÖZERTAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FULYA GÖKALP YAVUZ
- Atmospheric effects on short term wind power forecasting
Kısa vadeli rüzgar enerjisi üretim tahminlerinde atmosferik etkiler
YÜKSEL KALAY
Yüksek Lisans
İngilizce
2021
Enerjiİzmir Yüksek Teknoloji EnstitüsüEnerji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT BİNGÖL