Investigadores de la UCLM aplican la inteligencia artificial para mejorar la eficiencia de aerogeneradores

Investigadores de la Universidad de Castilla-La Mancha (UCLM), que pertenecen al grupo de investigación Ingenium, han logrado un avance significativo en la gestión de los parques eólicos al mejorar la detección de las falsas alarmas que se producen en las turbinas de los aerogeneradores. Estas incidencias inexistentes implican unos importantes gastos a las empresas, que tienen que desplazar a personal especializado a reparar unos fallos que en realidad no hay, en ocasiones hasta espacios tan inaccesibles como una plataforma en mitad del mar.

Ana María Peco Chacón e Isaac Segovia Ramírez, bajo la coordinación de Fausto Pedro García Márquez, proponen un nuevo procedimiento de análisis de datos basado en los denominados algoritmos K-nearest neighbour y que se ha probado satisfactoriamente en tres aerogeneradores en funcionamiento.

Las conclusiones de este estudio se han publicado en una prestigiosa revista internacional.

Según recogen en el mismo, a medida que la capacidad instalada de energía eólica ha alcanzado niveles significativos, se vuelve crucial mejorar la eficiencia y reducir los costes operativos, siendo la gestión de mantenimiento un aspecto central de esta optimización.

Otro aspecto a tener en cuenta es el cada vez mayor tamaño de los nuevos aerogeneradores para satisfacer la creciente demanda energética y, con ello, se presentan mayores retos en las operaciones de mantenimiento. De ahí que los fallos imprevistos y su ubicación en localizaciones de difícil acceso incrementan los costes de O&M. Los investigadores señalan en su estudio que esos costes pueden representar entre el 10% y el 35% de los costos totales de vida, dependiendo de si los aerogeneradores están en tierra o en el mar.

En la actualidad, para abordar estos desafíos, se han diseñado sistemas de monitoreo de condiciones (CMS) basados en el sistema de adquisición y control de datos de supervisión (SCADA). Estos sistemas generan alarmas automáticas en respuesta a condiciones anómalas, pero la generación de falsas alarmas se ha convertido en un problema significativo.

Por tanto, la detección precisa de estas falsas alarmas es esencial para desarrollar planes de gestión de mantenimiento efectivos. Sin embargo, este aspecto ha recibido limitada atención y pocas investigaciones se han centrado en abordar este desafío específico. De ahí el interés de este estudio que propone una metodología basada en algoritmos de K-nearest neighbour más cercanos (K-NN) para la detección de falsas alarmas en aerogeneradores.

La metodología se centra en comparar diferentes valores de validación cruzada K-fold para optimizar la precisión del modelo.

El estudio presenta un escenario de caso real utilizando datos de tres aerogeneradores del proyecto europeo OPTIMUS. Los datos de señales y alarmas son tomados por el sistema SCADA, y se utiliza un registro de alarmas como variable de respuesta.

El estudio analiza también las causas subyacentes de las falsas alarmas detectadas por el modelo K-NN. Se identifican diversos escenarios, como la falta de sincronización entre el registro de alarmas y los sistemas de clasificación, la dificultad del modelo para detectar alarmas causadas por turbulencias y la generación de falsas alarmas debido a breves activaciones que no representan fallos reales en el aerogenerador.

Los resultados obtenidos demuestran la eficacia de la metodología propuesta. La precisión del modelo alcanza un impresionante 98%, y se logra detectar más del 22% de falsas alarmas en el estudio de caso. El análisis detallado de los tres aerogeneradores muestra que el rendimiento es análogo entre ellos, y las variaciones en los valores de validación cruzada no conducen a mejoras significativas en la precisión.

Tras este trabajo, los investigadores concluyen que reducir el número de falsas alarmas no solo disminuye los costos operativos y de mantenimiento, sino que también optimiza la eficiencia general de la infraestructura eólica. “La combinación de técnicas analíticas avanzadas y algoritmos de aprendizaje automático, como el K-NN, se presenta como una estrategia efectiva para mejorar la confiabilidad de los sistemas de monitoreo”, argumentan.

No obstante, ven necesario seguir investigando en el área de detección de falsas alarmas. Aunque la metodología propuesta muestra resultados prometedores, sugieren en su trabajo seguir explorando más tipos de alarmas y la aplicación de otros algoritmos de inteligencia artificial para mejorar aún más la precisión y la capacidad de detección. La combinación de enfoques estadísticos y de aprendizaje automático puede abrir nuevas posibilidades para optimizar la gestión de mantenimiento en la industria eólica.