MLP y CNN para Predicción de Variables de Turbinas Eólicas

• Pablo-Andrés Buestán-Andrade ^[1] ; Matilde Santos ^[1] ; Jesús-Enrique Sierra-García ^[2]
  1. [1] Universidad Complutense de Madrid

     Universidad Complutense de Madrid

     Madrid, España

     
  2. [2] Universidad de Burgos

     Universidad de Burgos

     Burgos, España

     
• Localización: Berrikuntza eta irakaskuntza energia berriztagarrien aurrerapenetan: WWME 2022 IV. Jardunaldia / coord. por Aitor Josu Garrido Hernández, Matilde Santos Peñas, Fares Mzoughi, Irfan Ahmad, Izaskun Garrido Hernandez, 2023, ISBN 978-84-1319-526-1, págs. 55-60
• Idioma: español
• Enlaces
  • Texto Completo Libro
• Resumen

  • Uno de los principales objetivos que se abordan en la generación de energía eléctrica a través del viento es realizar correctamente las actividades de operación y mantenimiento (O&M) en los parques eólicos. Actualmente, el mantenimiento predictivo es una tarea fundamental para mejorar el rendimiento, prevenir posibles fallas futuras y reducir los costos operativos. La inteligencia artificial (IA) es una ciencia que ha permitido el diseño de diferentes algoritmos para el mantenimiento predictivo en plantas eólicas, concretamente utilizando técnicas de aprendizaje automático (ML). En este sentido, este estudio presenta el entrenamiento y predicción de diferentes algoritmos de ML, utilizando redes neuronales tradicionales y modelos de aprendizaje profundo. Estos modelos incluyen redes neuronales totalmente conectadas, redes neuronales convolucionales (CNN) y células de memoria a corto plazo (LSTM). Los resultados muestran que la técnica que mejor se adapta a la serie temporal de los aerogeneradores es la LSTM, obteniendo un valor inferior a 0,04 del Error Absoluto Medio (MAE). Este estudio permite conocer las diferentes configuraciones de IA aplicadas en la actualidad para mejorar el rendimiento en parques eólicos.