The global energy system is experiencing a transition to a sustainable system with ambitious targets for increased use of renewable energy. One key trend for this transition has been the large introduction of wind power and integration into the electricity grid. In order to succeed in this transition, there is a need to develop efficient tools to support the handling of the assets. Asset management is a coordinated activity for the organization to get value from an asset. As the main part of asset management, maintenance includes all the technical and corresponding administrative actions to keep or restore the asset to the desired state in which it can perform its required functions. Traditional maintenance is usually based on scheduled monitoring and physical inspections. However, with new access to data and information about condition-based maintenance shows to be an efficient solution for asset management. This thesis explores data-driven solutions for electrical equipment to generate alerts towards potential operation risks, which targets digital, efficient, and cost-effective asset management. Specifically, the thesis investigates wind turbines.

This thesis proposes a fault detection framework for cost-effective preventive maintenance of wind turbines by using condition monitoring systems. The thesis utilizes the data from supervisory control and data acquisition systems as the main input. For log events, each event is mapped to corresponding components based on the Reliawind taxonomy. For operation data, recurrent neural networks are applied to model normal behaviors, which can learn the long-time temporal dependencies between various time series. Based on the estimation results, a two-stage threshold method is proposed as post-processing to determine operation conditions. The method evaluates the shift values deviating from the estimated behaviors and their duration time to attenuate minor fluctuations. A two-level condition monitoring system is constructed to apply the proposed fault detection framework, which targets to detect possible faults of components and conduct performance analysis of turbines. The fault detection framework is tested with the experience data from onshore wind farms. The results demonstrate that the framework can detect operational risks and reduce false alarms.

Energisystem i världen över genomgår en omställning till ett hållbart system med ambitiösa mål för ökad användning av förnybara energikällor. En central trend i denna omställning har varit en markant ökning av elektricitet från vindturbiner och integrering i elnätet. För att lyckas med denna omställning behöver effektiva verktyg utvecklas för förvaltning av tillgångar och underhållsstyrning. Asset Management är en samordnad aktivitet för en organisation för att få värde från en tillgång där underhåll utgör en stor del. Traditionellt underhåll baseras vanligtvis på schemalagd övervakning och fysiska inspektioner. Men med ny åtkomst av data och information om tillgångar tillståndsbaserat underhåll visar sig vara en effektiv lösning för kapitalförvaltning. Denna avhandling undersöker datadrivna lösningar för elektrisk utrustning att generera varnar för potentiella driftsrisker, som är inriktade på digital, effektiv och kostnadseffektiv underhållsstyrning. Specifikt studerar avhandlingen vindkraftverk.

Denna avhandling föreslår ett ramverk för feldetektering för kostnadseffektivt förebyggande underhåll av vindkraftverk med tillståndsövervakning. Avhandlingen använder data från övervakningskontroll och datainsamlingssystem. För logghändelser mappas varje händelse till motsvarande komponenter baserat på Reliawind taxonomin. För driftdata används återkommande neurala nätverk för att modellera normalt beteende, vilka lära sig de tidsmässiga beroendeförhållanden mellan olika tidsserier. Baserat på uppskattade resultat föreslås en tvåstegs tröskelmetod som efterbehandling för att bestämma driftsförhållandena. Metoden utvärderar skiftvärden som avviker från uppskattat beteende och dess varaktighet för att dämpa mindre fluktuationer. Ett tillståndsövervakningssystem med två nivåer är konstruerat för att tillämpa det föreslagna feldetekteringsramverket, som är inriktat på att upptäcka eventuella fel hos komponenter och genomföra prestandaanalys av turbiner. Ramverket för feldetektering testas med erfarenhetsdata från vindkraftparker på land. Resultaten visar att ramverket kan upptäcka operativarisker och minska falska larm.