Rüzgâr santrallerindeki elektriksel ve mekanik arızaların temel bileşenler analizi ve destek vektör makinaları yöntemleriyle sınıflandırılması

Abstract

Enerji üretimindeki payları giderek artan rüzgâr türbinleri, gelişen teknolojilerine rağmen maliyet ve kullanılabilirlik konularında iyileştirmelere ihtiyaç duymaktadırlar. İlk kurulum maliyetleri dışında rüzgâr türbinlerin birim enerji maliyeti de doğrudan kullanılabilirliklerinden etkilenmektedir. Rüzgâr türbinlerinin kullanılabilirliğini arttırmak için olası bir arızanın en kısa süre algılanıp giderilmesi gerekmektedir. Bir rüzgâr türbinin gerçek çalışma şartları arıza ihtimalinin desteklerken, kuruldukları yerler ve türbin boyutları bu arızaların giderilmesini zorlaştırmaktadır. Bu zorlayıcı şartlar da doğrudan bakım ve onarım maliyetlerini etkilemektedir. Bu tez çalışması da rüzgâr türbinlerinde oluşan arızaların erken algılanması, oluşan arızanın ikincil etkilerinin ortaya çıkmasını önleme, gereksiz parça değişimini önleyecek durum odaklı bir bakım sağlanması, arıza tespiti için geçen sürenin azaltılması amacıyla geliştirilen hata tanısı yöntemi üzerinedir. Genel olarak bir hata tanısı yöntemi arızasız ve arızalı çalışma durumlarına ait bilgileri içeren bir veri kümesine ihtiyaç duymaktadır. Bu amaçla gerçekleştirilen çalışmalarda rüzgâr türbini gerçek çalışma şartlarının benzetiminin yapıldığı bir deney düzeneği oluşturulmuştur. Bu deney düzeneği ile çalışma durumunu, arıza çeşidini ve boyutunu temsil eden on üç farklı çalışma durumu incelenmiştir. İncelenen bu çalışma durumlarının üç farklı rüzgâr hızı ve yük koşulu altında benzetimi gerçekleştirilmiştir. Tüm çalışma durumları rüzgâr türbini generatörünün akım ve gerilim bilgileri toplanmıştır. Toplanan verilerden çalışma durumuna ait özellik vektörleri temel bileşenler analizi ile elde edilmiştir. Özellik vektörlerinin T2 istatistikleri hesaplanmış ve elde edilen T2 istatistikleri sınıflandırma için kullanılmıştır. Çalışma durumlarının tanısı, arızanın çeşidine ve boyutuna göre sınıflandırılması için destek vektör makinaları yöntemi kullanılmıştır. Rüzgâr türbinlerinde elektriksel ve mekanik arıza tanısı için temel bileşenler analizi ve destek vektör makinaları yöntemlerine dayanan bir hata tanısı yöntemi geliştirilmiştir. Geliştirilen hata tanısı yöntemi ile %94.4410 gibi oldukça yüksek bir başarım oranı elde edilmiştir.

Wind turbines with increasing share in energy production need some cost and availability improvements. The unit energy costs of wind turbine are directly associated with availability when installation costs are omitted. So possible fault must be detected and corrected as soon as possible to increase turbine availability. However, actual operation conditions increases failure possibility of wind turbine and their installation areas and turbine size have adverse effects on elimination of failures. These compulsive conditions effect operation and maintenance costs. In the study, fault diagnosis method is introduced for early detection of faults in wind turbines, to prevent an increasing effect of the fault, to avoid unnecessary part replacement by condition-oriented maintenance and to reduce breakdown time.Generally, a fault diagnosis method requires a data set containing data about faulty and healthy operation conditions. For this purpose, a test setup was designed to simulate actual operation conditions of wind turbine. By this test setup, thirteen operation conditions were investigated as operation mode, fault type and fault magnitude. This operation conditions was realized for three wind speeds and three loads. Experimental current and voltage data of wind turbine generator were generated from the test set for all operation conditions. Characteristics vectors of operation status from collected data were obtained with principal component analysis method. T2 statics of the characteristic vectors were calculated and used for classification. Finally, support vector machines method was used for diagnosis and classification of operation conditions.A fault diagnosis method based on principal component analysis and support vector machines was introduced for detection and classification of wind turbine electrical and mechanical faults. A relatively high performance with 94.4410% was obtained by the introduced fault diagnosis method.