Improved condition monitoring of hydraulic turbines based on artificial intelligence techniques

Abstract

As a type of renewable energy that can provide rapid response to the requirement of the power grid, hydropower plays a fairly important position in the energy market. In recent years, with the enormous entrance of new renewable energies (NREs) such as wind energy and solar energy, the stability of the power grid has been challenged: the intermittent power supply from the NREs requires the hydraulic turbines to work more in off-design conditions and regulate the output much more frequently than they did before. In this new scenario, several problems have appeared in hydraulic turbine units. In order to reduce the maintaining periods and critical damages on the unit, condition monitoring techniques have been proved to be a useful tool for operators. However, these techniques shall be improved and updated in order to consider this new situation for hydropower. At present, hydraulic turbines have been monitored by different types of sensors. However, new data analysis technologies such as artificial intelligence haven’t been implemented in the systematical analyses of the prototypes. These techniques could improve the actual condition monitoring systems and could help to improve the diagnosis capacity for some critical problems, where classical analysis may fail. In this study, existing monitoring and field test data from various types of turbines (Pump turbine, Francis turbine and Pelton turbine) has been used and several artificial intelligence (AI) techniques and data-driven methods have been applied in order to improve the existing condition monitoring techniques. Firstly, for the pump turbine analyzed, artificial neural network (ANN) have been used to generate vibration hill charts based on the indicators used for condition monitoring. This has helped to analyze abnormal behaviors of the machine and to propose a better condition monitoring based on the generated maps. This can provide effective guidance for the operation plan of the unit. Secondly, the limits of operation of a large Francis turbine due to overload instability have been analyzed. AI techniques have been applied on existing data to analyze the feasibility to detect the overload instability several seconds before it occurs. It is shown that by implementing these techniques in the existing condition monitoring system, the operating range of the unit could be safely increased. Finally, for a failure that occurred in a Pelton turbine (broken bucket), artificial neural networks combined with dimension reduction techniques have been used to build up a model that can accurately predict the damage, which is helpful for the scheduled maintenance. This is an Article-Based Thesis, so it is based on three Journal Papers that have been published during the thesis duration. These three Journal papers are about the improved hydro turbine condition monitoring and fault diagnosis based on AI techniques, and they are attached and commented though the whole document of this thesis.

Como tipo de energía renovable que puede proporcionar una respuesta rápida a los requisitos de la red eléctrica, la energía hidroeléctrica ocupa un lugar fundamental en el mercado energético. En los últimos años, con la enorme entrada de nuevas energías renovables (NRE) como la eólica y la solar, la estabilidad de la red eléctrica se ha visto comprometida: el suministro de energía intermitente de las NRE obliga a que las turbinas hidráulicas funcionen más frecuentemente en condiciones fuera de diseño y regular su potencia con mucha más frecuencia que antes. En estos nuevos escenarios, han aparecido varios problemas en las turbinas hidráulicas. Con el fin de reducir los períodos de mantenimiento y los daños críticos en los prototipos, las técnicas de ”condition monitoring” han demostrado ser una herramienta útil para los operadores. Sin embargo, estas técnicas deben ser mejoradas y actualizadas para considerar esta nueva situación de la energía hidroeléctrica. En la actualidad, las turbinas hidráulicas han sido monitoreadas por diferentes tipos de sensores. Sin embargo, no se han implementado nuevas tecnologías de análisis de datos como la inteligencia artificial (IA) en los análisis sistemáticos de los prototipos. Estas técnicas podrían mejorar los sistemas de “condition monitoring” reales y podrían ayudar a mejorar la capacidad de diagnóstico para algunos problemas críticos, donde el análisis clásico no es suficiente. En este estudio, se han utilizado datos de diferentes tipos de turbinas prototipos (turbina- bomba, turbina Francis y turbina Pelton) y se han aplicado varias técnicas de inteligencia artificial para mejorar su monitorización. En primer lugar, para una turbina-bomba analizada, se han utilizado redes neuronales (ANN) para generar nuevos mapas de monitoritzación (“vibration hill charts”) basados en los indicadores utilizados para la monitorización de la máquina. Esto ha ayudado a analizar los comportamientos anormales de la máquina y a proponer una mejor monitorización basada en los mapas generados. Esto puede servir de referencia para una operación más eficaz de la máquina. En segundo lugar, se han analizado los límites de funcionamiento de una turbina Francis debido a la inestabilidad en sobrecarga (overload instability). Se han aplicado técnicas de IA en datos existentes para analizar la viabilidad de detectar la inestabilidad de sobrecarga varios segundos antes de que ocurra. Se muestra que, al implementar estas técnicas en el sistema de monitorización existente, el rango de operación de la máquina podría incrementarse de manera segura. Finalmente, para un daño ocurrido en una turbina Pelton, se han utilizado redes neuronales combinadas con técnicas de reducción dimensional para construir un modelo que puede predecir con precisión el daño, lo cual también es útil para el mantenimiento programado de la máquina. Esta es una tesis basada en artículos, por lo que se basa en tres artículos de revista que se han publicado durante la ejecución de la tesis. Estos tres artículos tratan sobre la mejoría de sistemas de “condition monitoring” y el diagnóstico de daños basado en técnicas de inteligencia artificial. Estos artículos se adjuntan y comentan en todo el documento de esta tesis.