Predicción y detección de averías en aerogeneradores a partir de datos scada.

• Eduardo Martínez Cámara ^[2] ; Emilio Jiménez Macías ^[1] ; Julio Blanco Fernández ^[1] ; Juan Carlos Sáenz-Díez Muro ^[1]
  1. [1] Universidad de La Rioja

     Universidad de La Rioja

     Logroño, España

     
  2. [2] Grupo Eólicas Riojanas
• Localización: DYNA energía y sostenibilidad, ISSN-e 2254-2833, Vol. 2, Nº. 1, 2013
• Idioma: español
• Títulos paralelos:
  • Lure detection and prediction in wind turbines by using scada data.
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Este artículo propone una metodología para la predicción y detección de posibles fallos de componentes principales de un aerogenerador, a partir de los datos recogidos por un sistema SCADA (Supervisory Control And Data Acquisition) de monitorización incorporado en el mismo. Para ello se aplican técnicas de inteligencia artificial, como redes neuronales o boosted trees, para el modelado del comportamiento y la selección óptima de los parámetros de entrada. Finalmente, una vez definida la metodología, se aplica a un caso real de avería en una multiplicadora con datos procedentes de un parque eólico propiedad del Grupo Eólicas Riojanas (GER) ubicado en La Rioja (España).

    La combinación de un estudio detallado de los parámetros óptimos para modelizar el comportamiento específico de la temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar de forma eficaz el comportamiento normal de la multiplicadora sin deterioro en su funcionamiento. Ello permite analizar de forma periódica el posible proceso de deterioro de la multiplicadora y actuar sobre ella antes de que se produzca una avería irreparable y que obligue a su sustitución.

  • English

    This article proposes a method for predicting and detecting potential failures in the main components of a wind turbine, based on data collected by a built-in SCADA (Supervisory Control And Data Acquisition) monitoring system. Artificial intelligence techniques such as neural networks and boosted trees are used to model the behaviour of the system and to select optimal input parameters. Once the method has been defined, it is applied to an actual case study of a malfunction in a multiplier, with data from a wind farm located in la Rioja (Spain), owned by Grupo Eólicas Riojanas (GER).

    The combination of a detailed study of the optimal parameters for modelling the specific behaviour of the temperature of the multiplier and the development of a model based on neural networks enables the normal behaviour of a multiplier to be modelled effectively with no deterioration in its operation. This means that the potential processes of deterioration in the multiplier can be analysed regularly and consequently actions can be taken accordingly before an irreparable malfunction requiring replacement.