Performance Monitoring für Windparks.

Detaillierte Informationen

Ausfälle und Minderleistungen mit Machine Learning in Echtzeit erkennen.

Turbit Performance Monitoring

Die Algorithmen des Turbit Performance Monitorings greifen auf eine Datenbasis von 6000 Turbinenjahren zurück. Die stetig wachsende Datenbasis ermöglicht Turbit auch statistisch seltenere Ereignisse  in der Leistungsüberwachung zuverlässig zu erkennen und zuzuordnen.

Bei der Weiterentwicklung der Algorithmen  greift Turbit Systems auf Know-How in der Windenergie,  im Bereich der Vermessung von Gondelfehlstellungen und  Fehleranalysen zurück. Zusammen mit der mehrjärhigen Expertise  im Bereich Machine Learning realisiert Turbit Systems  gezielte Produktentwicklung für die technischen Betriebsführung.

Analyse

Turbits Algorithmen lernen das Leistungsverhalten für jede Anlagen individuell. Dadurch werden Minderleistungen herstellerunabhängig und pro Standort erkannt.

Einordnung

Erkannte Minderleistungen werden mit unserer Datenbank von über 6000 Turbinenjahren abgeglichen und in Verfügbarkeitsklassen eingeordnet.

Mehrleistung

Relevante Ertragspotentiale werden Ihnen in einer detaillierten Datenanalyse aufbereitet. 

Technische Funktionsweise:

Für jede Anlage und für jeden Standort wird das Leistungsverhalten aus den historischen SCADA Daten trainiert. Dabei fließen insbesondere die Wetterdaten, wie Luftdruck, Temperatur, Windrichtung und Turbulenzintensität der letzten zwei Jahre mit in die Berechnung der Modelle ein. Mithilfe dieser Modelle wird die Leistung mit einer Genauigkeit von über 99% simuliert (Digital Twin). Soll und Ist Analysen sind somit skalierbar und präzise möglich.

Das Grundprinzip der Analysen besteht aus drei Schritten:

1. Training des Normalverhaltens eines Sensors

2. Vergleich einer Simulation des Normalverhaltens mit den reellen Messwerten

3. Analyse und Interpretation von Abweichungen

Zunächst trainiert Turbit aus den zur Verfügung gestellten Daten für jede Anlage mehrere Neuronale Netze. Dabei werden je nach Sensor verschiedene Input Variablen gewählt, die das physikalische System möglichst präzise abbilden können. Ein auf den historischen Daten trainiertes Neuronales Netz kann anschließend verwendet werden, um für den jeweiligen Sensorwert Vorhersagen zu ermitteln. Gibt es dabei Abweichungen zu den gemessenen Werten, so ist dies ein erster Hinweis, dass etwas nicht in Ordnung ist. Tiefer gehende Analysen dieser Abweichungen und umliegenden Datenpunkten deuten dann auf die Fehlerursachen hin.  Aus den meteorologischen Wetterdaten der Referenzturbinen im Windpark simulieren wir die Leistung an der Testturbine und können diese dann mit der tatsächlichen Leistung vergleichen.

Dieses Prinzip kann auch auf alle anderen Sensorwerte angewendet werden und erlaubt es somit alle Sensorwerte gleichzeitig und zwar individuell angepasst an Ihre Anlagen und Ihren Standort, zu überwachen. Zusätzlich dazu bietet Turbit weitere Tools und Algorithmen um   die die Daten auf Plausibilität zu überprüfen. Z.B. können automatisch meteorologische Sensorwerte der Anlagen im Windpark verglichen werden und so z.B. die Fledermausabschaltung optimiert werden.

Die erkannte Abweichungen  wird in einen technischen Kontext gestellt, in dem Sie direkt mit den Statusmeldungen der Anlagen verknüpft werden.

Fehlermeldungen werden dann je nach den Wünschen unserer Kunden per Email oder Fehlermeldung im Tool weitergeleitet. Dabei gehen wir immer auf Ihre speziellen Wünsche ein um genau die Fehler zu melden, die Ihnen wichtig sind.

Durch ein Feedback werden die Algorithmen durch alle unserer Kunden ständig verbessert.


Unsere Erfahrungen:

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- GE 2.5-120
- GE 2.75-120
- GE 3.6-137

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- V80-2.0
- V80-2.0 VCS
- V90 2.0
- V90 - 3.0
- V112 3.0 
- V112-3.3
- V112 Onshore
- V112-3.45
- V117-3.45
- V126-3.3
- V126-3.45

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

-  SWT-1.3-62
-  SWT 3.2-101

-  SWT 3.6-130

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- E40
- E48
- E53
- E66
- E70 2.3 MW
- E82 2.0 MW
- E82 2.3 MW
- E92
- E101
Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- Vensys V100
- Vensys VE112

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- Sen MM92
- Sen 3.4M104
- Sen 3.2M114
- Sen 3.4M114
- Sen 3.0M122
- Sen 3.2M122
- Sen 3.2M122 NES

 

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- MD77
- MM82
- MM92
- 3.4M104

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- N90 / 2,5MW
- N117/2400
- N117/3000
- N100/2500
- N131/3300
- N149/4500/PH164   


Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- TW 1.5s
- TW 1.5i
- TW 1.5sl

Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

-  FL77
- FL2500
Odoo – Beispiel 3 für drei Spalten

Turbinentyp:

- AN Bonus 1300/62
- AN Bonus 2000/76
- AN Bonus 2300/82

Mehrwerte auf einem Blick

Odoo • Text und Bild

Abschaltungen sofort erkennen 

Externe Abschaltungen durch den Direktvermarkter oder den Netzbetreiber werden nicht sofort in den Statusmeldungen der Windenergieanlagen geloggt. Durch die Überwachung von Turbit können Sie Ertragsausfälle direkt sehen und abrechnen.

Drosselungen monitoren

Häufig bleiben Drosselungen unerkannt. Dadurch, dass wir das Normalverhalten der Turbinen lernen, können unsere Algorithmen ungewöhnliche Änderungen sofort erkennen und meldet Ihnen die Veränderungen nach 60 Minuten.

Odoo • Text und Bild
Odoo • Bild und Text

Leistungskurven überwachen

Auch langfristige Veränderungen werden erkannt. So kann z.B. eine Veränderung der Software Parameter des Herstellers oder Gondelfehlstellungen und Pitchfehlstellungen zu Leistungseinbußen führen. Langfristige Leistungsveränderungen werden erkannt und gemeldet.

Workflow mit Turbit

Alle Ereignisse werden übersichtlich und zentral zusammengeführt und mit den Statusmeldungen der Anlagen verknüpft. Ihre Leitwarte kann sich somit gezielt Minderleistungen vornehmen. Dies sieht in der Praxis so aus:

Sobald Turbits Algorithmen einen Fehler erkannt haben, wird Ihnen dieser übersichtlich mit allen notwendigen zusätzlichen Information dargestellt. Sie müssen keine weiteren Analysen tätigen . Ihre Mitarbeiter können direkt die Lösung des Problems veranlassen.

Je nach Bedarf werden automatische Emails versandt oder Sie öffnen unsere EventView direkt als Browser Fenster in Ihrer Leitwarte.

Odoo • Ein Bild mit einer Bildunterschrift

Onboarding Prozess


Daten Import

Die Daten der letzten Jahre wird in die Datenbank von Turbit importiert und auf Plausibilät überprüft. Dieser Prozess kann 1 -3 Wochen in Anspruch nehmen.


Training der Netze 

Nach dem Daten-Import werden  neuronalen Netze pro Windkraftanlage trainiert. Dafür wird je nach Datenlage die optimale Struktur des neuronalen Netzes für Ihre Anlagen ausgewählt.



Individuelle Filter

Teilen Sie uns die Parameter mit,  anhand deren relevante Ereignisse erkannt und angezeigt werden sollen. Das System wird so eingestellt, dass Sie nur die Fehlermeldungen bekommen, die für Sie relevant sind. Z.B. können Ihnen nur solche Ereignisse mitgeteilt werden, bei denen noch keine Statusmeldungen im System vorhanden sind.

Schnittstellen

FAQ

Für das Training der neuronalen Netze benötigen  wir SCADA Daten von den letzten  12 Monaten, um  zu gewährleisten, dass die gesamten Temps in dem Datenset enhalten sind.  Dieser Zeitraum ist für die  Inbetriebnahme des Performance Monitoring  notwendig. Die Genauigkeit der Leistungsvorhersage wird mit einem Datenset von mindestens 24 Monaten deutlich performanter. Wir empfehlen deswegen  vor der Inbetriebnahme die neuronalen Netze von Turbit mit einem 24 Monats Datenset zu trainieren.

Für die Leistungsüberwachung werden folgende Daten benötigt: 

  • Windstärke

  • RPM Rotor

  • Leistung

  • Umgebungstemperatur

  • Zeitmarke

Darüber hinaus werden die Statusmeldung des Betriebsystems wird benötigt. Um die Relevanz der von Turbit dedektierten  Abweichungen der Leistungen "Ereignisse" zu erhöhen,  gleicht das Performance Monitoring System die erkannten Ereignisse mit der Statusmeldung Betriebssoftware ab. 

Je mehr Daten,  wie die Standardabweichung und die min. und max. Werte  der Windstärker zur Verfügung gestellt werden,  desto  genauer können die neuronalen Netze die Leistung der spezifischen Windkraftanlage vorhersagen. 

Nehmen Sie Kontakt zu uns auf, um über optimale Datensets zu erfahren.

 Zeitstempel

Wir akzeptieren Durchschnittswerte von 10 min, 5 min und 1 min. Jeder Wert muss einen Zeitstempel mit einem der folgenden string formate haben:

  • '%m.%d.%Y %H:%M' -> 30.11.2017 22:20

Darüber hinaus akzeptieren wir Exporte von Rotorsoft, die zwei Spalten wie diese haben:

  • '%m.%d.%Y'
  • '%H:M:S'

Beispiel der ersten Spalte: 30.11.2017
Beispiel für die zweite Spalte: 22:20:00

Verwenden Sie bitte  UTC+0 als Standard für die Zeitzone

Trennzeichen

Bitte verwenden Sie ";" als Trennzeichen "," als dezimal- Trennzeichen,  Anführungszeichen " ' " für Texte oder für große Zahlen wie 100.000.000

Kodierung

Verwenden Sie bitte UTF-8 als Kodierung, insbesonder bei Umlauten wie ä,ö,ü und ähnliche.


Nein, eine Softwareschulung ist nicht nötig. 

ggf. Link zur Wiki / Blog artikel

Neben der Leistungsüberwachen wird Turbit-Systems weitere  KI-Überwachungsmodule in den Markt führen, um sukzeesiv machine learning basiertes condition monitoring zu ermöglichen. Nehmen Sie Kontakt auf,  um mehr zu erfahren.

Turbit Systems  entwickelt skalierbare AI Services für die technische Betriebsführung.  Durch die Technologische Basis von Turbit-Systems bauen wir mittels Machine Learning  datenbasierte Expertise in der Windindustrie  auf.

  • Machine Learning: skalierbare Datenüberwachung und Vorhersage in hoher Qualität

  • Smart Data: Insights für die technische Betriebsführung

  • Aktivitätsorientiert: Die dedektierten Events sind relevante Ereignisse. 

Partner

Turbit Systems arbeitet mit starken Partnern zusammen, um Machine Learning  in unterschiedlichen Anwendungsfällen in der Windenergie in die Anwendung zu führen.

Zusammen mit Swarm64 stellen wir Datenbankinfrastrukturen bereit die besonders skalierbar sind, um  die Überwachung von Windkraftanlagen mit Machine Learning in Echtzeit zu realisieren.

Turbit Systems Datenbank Systeme können auch Daten im Subsekundenbereich verarbeiten und effizient analysieren. So können z.B. auch Frequenzsprektren regelmäßig analysiert werden.

Für technische Fragen rund um die Windenergie greifen wir auf unser weites Netzwerk an Ingenieurbüros und Kontakten zu den Herstellern zurück.

Ausgewählte Referenzen

Demo-Logo
Demo-Logo
Demo-Logo
 Demo-Logo
Demo-Logo
Demo-Logo

Ihr Ansprechpartner

Im Rahmen einer kostenlosen Erstanalyse der SCADA Daten Ihrer Anlagen  erkennen wir die Minderleistungen der letzten Jahre.