Construcción y aplicación de herramientas matemáticas para la detección de anomalías en el funcionamiento de aerogeneradores.

Abstract

La predicción de fallas en aerogeneradores es un tema en pleno auge a nivel mundial, para el que diversos autores han propuesto técnicas para reducir los costos de Operación y Mantenimiento asociados. En esta tesis se presentan cuatro herramientas de detección de anomalías en la operación de aerogeneradores, basadas en datos provenientes de sistemas SCADA. Los métodos presentados buscan responder a distintas naturalezas y enfoques dentro del universo de herramientas existentes para este fin; (1) la construcción de un modelo probabilístico basado en un Proceso Gaussiano, (2) la generación de un modelo no lineal que minimiza el error entre las observaciones y lo modelado, (3) el estudio de la evolución de la curva de potencia a partir de Cópulas y, (4) una técnica de aprendizaje automático basada en Support Vector Machine, incorporando el método de Componentes Principales. Cada uno de estos métodos son puestos a evaluación en hasta cuatro casos de estudio reales, ya sea con el fin de predecir fallas asociadas al funcionamiento de los aerogeneradores o, identificar cambios en el funcionamiento mediante un monitoreo por condición. Finalmente, los resultados abordados son cuantificados con el fin de comparar el desempeño de estos algoritmos.

The prediction of wind turbine failures is a booming topic worldwide, for which various authors have proposed techniques to reduce associated Operation and Maintenance costs. This thesis presents four tools for detecting anomalies in the operation of wind turbines, based on data from SCADA systems. The methods presented seek to respond to different natures and approaches within the universe of existing tools for this purpose; (1) the construction of a probabilistic model based on Gaussian Processes, (2) the generation of a non-linear model that minimizes the error between observations and modeling values, (3) the study of the evolution of the power curve using Copulas and, (4) a machine learning technique based on Support Vector Machine, incorporating Principal Components Analysis. Each of these methods are evaluated in up to four real study cases, either in order to predict failures associated to the operation of wind turbines or to identify changes in operation through condition monitoring. Finally, the results addressed are quantified in order to compare the performance of these algorithms.