Detección de anomalías en aerogeneradores mediante una red neuronal MLP optimizada con un algoritmo genético

• Dennys Coronel ^[1] ; Cesar Byron Guevara Maldonado ; Matilde Santos Peñas
  1. [1] Universidas Complutense de Madrid
• Localización: Haize eta Itsas Energiari Buruzko Irakaskuntza-Oharrak: PID2021-123543OB-C21 eta C22 proiektuen VI. Jardunaldiako Monografia / Aitor Josu Garrido Hernández (ed. lit.), Matilde Santos Peñas (ed. lit.), Izaskun Garrido Hernandez (ed. lit.), 2025, ISBN 978-84-09-70364-7, págs. 20-24
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    La energía eólica es una fuente renovable clavepara impulsar la transición hacia sistemas energéticossostenibles. Sin embargo, se enfrenta a desafíos significativos deoperación y mantenimiento (O&M), como fallos encomponentes críticos que afectan la eficiencia. Este estudiopropone un enfoque híbrido para la detección de anomalías enturbinas eólicas, utilizando una red neuronal perceptrónmulticapa (MLP) combinada con un algoritmo genético paraoptimizar automáticamente sus parámetros. La arquitecturadel MLP propuesta consta de tres capas, y la salida determinala clasificación de la señal en normal o anómala. Los parámetrosdel modelo MLP, como pesos y sesgos, fueron optimizadosmediante un algoritmo genético (AG). El estudio se realizó condatos reales de vibración de un aerogenerador recopilados delproyecto Gearbox Reliability Collaborative (GRC) del NationalRenewable Energy Laboratory (NREL). Los datos provienen desensores instalados en la caja de engranajes de las turbinas.Estos datos que fueron preprocesados y normalizados paraposteriormente ser divididos en un conjunto de entrenamiento yprueba. Los resultados mostraron que el algoritmo logró unaprecisión global del 70% en la clasificación. Por lo tanto, estaestrategia tiene capacidad para identificar anomalías,especialmente en escenarios críticos para el mantenimientopreventivo. El enfoque propuesto demuestra ser confiable parareducir costes de mantenimiento y mejorar la eficienciaoperativa al minimizar falsos positivos

  • English

    Wind power is a pivotal renewable energy sourcedriving the transition to sustainable energy systems. However, itswidespread adoption is hindered by significant operational andmaintenance (O&M) challenges, particularly failures in criticalcomponents that compromise efficiency. This study introduces ahybrid approach for wind turbine anomaly detection, integratinga multilayer perceptron (MLP) neural network with a geneticalgorithm (GA) to optimize its parameters automatically. The MLParchitecture comprises three layers, with the output classifying thesignal as either normal or anomalous. Parameters such as weightsand biases were fine-tuned using the GA to enhance modelperformance.The analysis utilized real-world vibration data fromwind turbine gearboxes, sourced from the Gearbox ReliabilityCollaborative (GRC) project of the National Renewable EnergyLaboratory (NREL). The dataset, collected via sensors installed inthe turbine gearbox, underwent preprocessing and normalizationbefore being divided into training and test sets. The proposedalgorithm achieved an overall classification accuracy of 70%,demonstrating its ability to detect anomalies effectively,particularly in critical scenarios that support preventivemaintenance. The proposed approach proves to be reliable inreducing maintenance costs and improving operational efficiencyby minimizing false positives