Diagnóstico OWC basado en aprendizaje automático utilizando datos reales medidos de plantas de energía undimotriz

• Autores: Fares Mzoughi, Izaskun Garrido Hernandez, Jon Lecube Garagarza, Aitor J. Garrido Hernández
• Localización: WWME 2023 V. Jardunaldia - Itsas energiako sistemen aurrerapen berriei buruzko irakaskuntza-oharrak / Aitor J. Garrido Hernández (ed. lit.), Matilde Santos Peñas (ed. lit.), Izaskun Garrido Hernandez (ed. lit.), 2024, ISBN 978-84-09-58971-5, págs. 13-18
• Idioma: euskera
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    Este manuscrito presenta un novedoso método de diagnóstico orientado a la clasificación para los sistemas de aprovechamiento de energía (PTO) en las plantas de convertidores de energía de las olas (WEC). El enfoque propuesto fue probado en la planta de energía de olas basada en múltiples columnas de agua oscilantes (OWC) en Mutriku con el objetivo de reducir el Costo Normalizado de Energía (LCoE) mediante la aplicación de estrategias de mantenimiento predictivo. La metodología implica utilizar el Análisis Discriminante Lineal (LDA) para identificar las características más cruciales derivadas de los datos medidos.

    Posteriormente, se emplea la Máquina de Soporte Vectorial (SVM) como técnica de clasificación para categorizar el estado del sistema OWC.

  • English

    This paper presents an innovative classificationoriented diagnosis method for power take-off (PTO) systems in wave energy converter (WEC) farms. The proposed approach underwent testing at the Mutriku Multiple Oscillating Water Column (OWC)-based wave power plant with the aim of reducing the Levelized Cost of Energy (LCoE) through the application of predictive maintenance strategies. The methodology involves utilizing Linear Discriminant Analysis (LDA) to identify the most crucial features derived from the measured data. Subsequently, the Support Vector Machine (SVM) is employed as a classification technique to categorize the condition of the OWC system.