Agent-based simulation of maintenance policies for high-impact component replacement of offshore wind farms

In recent years, wind energy has experienced significant growth, particularly in the offshore sector. Offshore environments enable the installation of higher-capacity turbines, which benefit from stronger and more consistent winds compared to those onshore. However, the harsh marine conditions and the more challenging access to turbines lead to increased operation and maintenance (O&M) costs, which represent a significant portion of the total lifecycle costs of a turbine. It is therefore crucial to identify efficient and effective maintenance strategies that can reduce operational costs, ensure high availability, and minimize unexpected failures. This thesis aims to compare two different maintenance strategies applied to two critical turbine components: the generator and the gearbox. These components are particularly significant, as their failures result in long turbine downtimes and high replacement costs. The first strategy analyzed is based on preventive replacement of components, determined solely by their operational time. The second strategy, on the other hand, involves monitoring specific parameters of the components to estimate their Remaining Useful Life (RUL) using a machine learning model. To adopt this approach, it was necessary to generate synthetic data similar to SCADA data, which was used to train the machine learning model. This second strategy aims to detect malfunctions promptly, enabling interventions before a failure occurs, while maximizing the remaining useful life of the component. Although the O&M management associated with predictive maintenance is more costly and complex, this study aims to evaluate the potential benefits of this strategy. The two strategies were implemented in a case study of an offshore wind farm using AnyLogic simulation software and leveraging an Agent-Based Modeling approach. Specifically, the predictive maintenance modeling employed the Pypeline library, which enables the integration of machine learning within the simulation environment. The comparison between the two strategies was conducted by evaluating the results from an economic perspective, with the goal of identifying the most advantageous approach.

Negli ultimi anni l’energia eolica ha conosciuto uno sviluppo significativo, in particolare nel settore offshore. In mare aperto, infatti, è possibile installare turbine di maggiore potenza, che beneficiano di venti più intensi e costanti rispetto a quelli disponibili sulla terraferma. Tuttavia, i difficili ambienti marini e il più complesso accesso alle turbine comportano un aumento dei costi di operation and maintenance (O&M), che costituiscono una parte rilevante dei costi totali durante l’intero ciclo di vita di una turbina. Diventa quindi di fondamentale importanza individuare politiche manutentive efficienti ed efficaci, capaci di ridurre i costi operativi, garantire un’elevata disponibilità e minimizzare i guasti improvvisi. Questa tesi si propone di confrontare due diverse politiche di manutenzione applicate a due componenti critici delle turbine eoliche: il generatore ed il gearbox. Questi componenti sono particolarmente rilevanti in quanto i loro guasti comportano lunghi tempi di fermo della turbina e costi di sostituzione molto elevati. La prima politica analizzata si basa sulla sostituzione preventiva dei componenti, determinata esclusivamente in funzione del tempo operativo degli stessi. La seconda, invece, prevede il monitoraggio di specifici parametri dei componenti al fine di stimare la loro Remaining Useful Life (RUL) mediante l’uso di un modello di machine learning. Per adottare questo approccio, è stato necessario generare dati sintetici simili ai dati SCADA, utilizzati per l’addestramento del modello di machine learning. Questa politica punta a rilevare i malfunzionamenti in modo tempestivo, consentendo interventi prima che si verifichi il guasto, e sfruttando al meglio la vita utile residua del componente. Sebbene la gestione O&M associata alla manutenzione predittiva sia più onerosa e complessa, il presente studio intende valutare i potenziali benefici di questa strategia. Le due politiche sono state implementate in un caso studio relativo a un parco eolico offshore utilizzando il software di simulazione AnyLogic e sfruttando un approccio basato sulla modellazione ad agenti (Agent-Based). In particolare, per la modellazione della manutenzione predittiva, è stata impiegata la libreria Pypeline, che consente di integrare il machine learning all’interno dell’ambiente di simulazione. Il confronto tra le due politiche è stato condotto valutando i risultati sotto il profilo economico, con l’obiettivo di identificare la strategia più vantaggiosa.