This master thesis handles the development of an automatic benchmarking program for wind turbines and the thesis works as the theoretical basis for this program. The program is created at the request of the power company OX2 who wanted this potential to be investigated. The mission given by the company is to: 1. to find a good key point indicator for the efficiency of a wind turbine, 2. to find an efficient way to assess this and 3. to write a program that does this automatically and continuously. The thesis determines with a study of previous research that the best method to utilize for these kinds of continuous analyses are artificial neural networks which can train themselves on historical data and then assess if the wind turbine is working better or worse than it should with regards to its history. This comparison between the neural network predicted operation and the actual operation works as the measurement of the efficiency, the key point indicator for how the turbine work compared to how it historically should operate. The program is based on this principle and is completely written in MATLAB. Further testing of the program found that the best variables to use are wind speed and the blade pitch angle as input variables for the neural network and active power as the target used as the variable to predict and assess the operation. The final program was able to be fully automated and integrated into the OX2 system thanks to the possibility to continuously import wind turbine data through APIs. In the final testing was the program able to identify 75% of the anomalies manually found in the half year and in the five turbines used for this thesis, the small anomalies not found manually but identified by the program excluded. / Den här masteruppsatsen hanterar utvecklandet av ett automatiskt driftanalyseringsprogram för vindkraftverk och fungerar som det teoretiska underlaget för detta program. Programmet utvecklades på uppdrag av kraftbolaget OX2 som ville undersöka potentialen för ett sådant analysprogram i deras verksamhet. Uppdraget givet var att: 1. ta fram en bra indikator när det gäller den faktiska effektiviteten av ett vindkraftverk, 2. att hitta ett effektivt sätt att använda detta måttet i en analys där målet är att hitta avvikelser, och 3. skriva ett program som automatiskt kan använda måttet och metoden över tiden. Rapporten kommer via litteraturstudie fram till att tidigare forskning visar på att neurala nätverk är den mest lovande metoden för att genomföra sådan här analys. Dessa nätverk kan träna sig själva på historiska data och sedan analysera om vindturbinen arbetar bättre eller sämre än historiskt. Den här jämförelsen mellan den historiskt grundade förutspådda kraften ut och den faktiska kraften ut fungerar som kvalitetsmåttet på hur bra turbinen fungerar. Programmet är baserat på den här principen och är helt skriven i MATLAB. Vidare tester av programmet visar att de bästa variablerna att använda för att förutspå kraften ut är vindhastigheten och bladens vinkel mot vinden. Slutprogrammet var kapabelt att fullt automatiskt och integrerat i OX2s system identifiera 75% av alla avvikelser som manuellt hittats i ett halvårs data på de fem turbinerna använda för rapporten, småfel hittade av programmet men inte manuellt exkluderat.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-214551 |
Date | January 2017 |
Creators | Boley, Alexander |
Publisher | KTH, Skolan för elektro- och systemteknik (EES) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EE, 1653-5146 ; 2017:076 |
Page generated in 0.0019 seconds