Detección de anomalías en turbinas eólicas
un análisis comparativo
DOI:
https://doi.org/10.17979/ja-cea.2024.45.10813Palabras clave:
Aprendizaje automático, Detección de anomalías, Diagnóstico defallos, Turbinas eólicasResumen
El contexto de emergencia climática y el agotamiento de los combustibles fósiles ha llevado a organizaciones privadas y a entidades públicas a aumentar los esfuerzos en el desarrollo e investigación de fuentes de energía alternativas y limpias, entre las que destaca la energía eólica. En este artículo se propone la implementación de diferentes algoritmos de aprendizaje automático para tareas de detección de anomalías en datos de aerogeneradores. Se ha realizado una batería de experimentos con diferentes algoritmos de aprendizaje automático para realizar un análisis comparativo del rendimiento de estos métodos. El objetivo final es contribuir con herramientas computacionales a mejorar la operación y mantenimiento de las turbinas eólicas tanto terrestres como marinas.
Citas
Bilendo, F., A, M., Badihi, H., Lu, N., Cambron, P., & Jiang, B. (2023). Applications and Modelling Techniques of Wind Turbine Power Curve for Wind Farms - A Review. Energies, 16. DOI: https://doi.org/10.3390/en16010180
Gislason, P. O., Benediktsson, J. A., & Sveinsson, J. R. (2006). Random Forest for land cover classification. Pattern Recognition Letters, 27 (4), 294-300 DOI: https://doi.org/10.1016/j.patrec.2005.08.011
Michelena, Á., Zayas-Gato, F., Jove, E., Casteleiro-Roca, J. L., Quintián, H., Fontenla-Romero, Ó., & Luis Calvo-Rolle, J. (2024). Novel adaptive approach for anomaly detection in nonlinear and time-varying industrial systems. Logic Journal of the IGPL, jzae070. DOI: https://doi.org/10.1093/jigpal/jzae070
Muñoz-Palomeque, E., Sierra-García, J. E., & Santos, M. (2023). Técnicas de control inteligente para el seguimiento del punto de máxima potencia en turbinas eólicas. Revista Iberoamericana de Automática e Informática industrial. DOI: https://doi.org/10.4995/riai.2024.21097
Morrison, R., Liu, X., & Lin, Z. (2022). Anomaly detection in wind turbine SCADA data for power curve cleaning. Renewable Energy, 184, 473-486. DOI: https://doi.org/10.1016/j.renene.2021.11.118
Pandit, R., Astolfi, D., Hong, J., Infield, D., & Santos, M. (2023). SCADA data for wind turbine data-driven condition/performance monitoring: A review on state-of-art, challenges and future trends. Wind Engineering, 47(2), 422-441. DOI: https://doi.org/10.1177/0309524X221124031
Portillo, G. (15 de enero de 2024). Renovables Verdes. Obtenido de https://www.renovablesverdes.com/turbina-eolica/
Sacie, M., Santos, M., López, R., Pandit, R. (2022). Use of state-of-art machine learning technologies for forecasting offshore wind speed, wave and misalignment to improve wind turbine performance. Journal of Marine Science and Engineering 10(7), 938. DOI: https://doi.org/10.3390/jmse10070938
Zamanzadeh Darban, Z., Webb, G. L., Pan, S., Aggarwal, C. C., & Salehi, M. (2022). Deep Learning for Time Series Anomaly Detection: A Survey. ACM, 43.
Zhang, S., Robinson, E., & Basu, M. (2024). Wind turbine condition monitoring based on three fitted performance curves. Wind Energy, 27(5), 429-446. DOI: https://doi.org/10.1002/we.2859
Zhou, B., Zhang, Z., Li, G., Yang, D., & Santos, M. (2023). Review of key technologies for offshore floating wind power generation. Energies, 16(2), 710. DOI: https://doi.org/10.3390/en16020710
Uddin, S., Haque, I., Lu, H., Moni, M., Gide & Gide, E. (2022). Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Nature. DOI: https://doi.org/10.1038/s41598-022-10358-x
Liu, F., Ting, M. & Zhou, Z. (2008). Isolation Forest. 2008 eight ieee international conference on data mining. IEEE. DOI: https://doi.org/10.1109/ICDM.2008.17
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Diego Marcos Quirós, María José Gómez Silva, Matilde Santos Peña, Clara Isabel López González
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
