El mantenimiento predictivo es importante en la operación y mantenimiento de los parques eólicos porque reduce el tiempo de inactividad inesperado minimizando así tanto las pérdidas económicas como el coste de la energía a la ciudadanía. Se han dedicado muchos esfuerzos en los últimos años al desarrollo de métodos de inteligencia artificial para predecir o detectar fallos, prestando poca atención a la determinación de la causa raíz de dichos fallos. Sin embargo, es vital analizar qué ha causado estos fallos para que se puedan tomar las medidas necesarias para que la turbina eólica vuelva a producir energía en el menor tiempo posible. Investigadores/as de la Universidad Pablo de Olavide tienen la Capacidad I+D de descubrir patrones que puedan ayudar a diagnosticar la causa raíz de un fallo en uno o varios aerogeneradores. 

Los/as expertos/as o proponen descubrir patrones que puedan ayudar a diagnosticar la causa raíz de un fallo en uno o varios aerogeneradores. Para ello, se propone una definición específica de lo que se considera una incidencia, así como una selección de variables que caracterizan dichos incidentes. A continuación, se lleva a cabo una metodología basada en machine learning a dos niveles: un primer nivel, para descubrir grupos de incidentes con comportamiento similar, y un segundo nivel para obtener subgrupos dentro de estos grupos de incidentes que activan las mismas alarmas. Además, proporcionan una regla para resumir los patrones de cada uno de estos subgrupos que identifican cada causa raíz. 

La investigación tiene un impacto social, ya que cuando la generación de producción de energía eléctrica procede de fuentes renovables como viento o sol los precios de la energía en el mercado eléctrico se abaratan con la consecuente repercusión en la facturación a los clientes. Y por otro lado, tiene un impacto económico en las empresas de energías renovable que minimizan sus pérdidas al minimizar los tiempos de parada de los aerogeneradores que están produciendo energía. 

Para obtener los resultados se utilizó un conjunto de datos del mundo real compuesto por registros de señales de sensores junto con alarmas que se produjeron durante un período de 36 meses en un parque eólico de 10 turbinas en España. Los resultados experimentales muestran que incidentes similares comparten alarmas con un alto grado de precisión, y que además todos los incidentes de cada subgrupo tienen la misma causa raíz. De estas formas cuando un incidente ocurre se le asigna la causa raíz del subgrupo de incidentes más cercano.

Empresas de sector de la energía eólica. 

Disponible para el cliente

DATA SCIENCE & BIG DATA LAB (TIC 254)  > Más ofertas de este grupo