Gestionar parques eólicos con tecnologías nuevas y diversas, reduciendo al mismo tiempo los costes operativos, es todo un reto. Mientras que los SCADAs y los Centros de Operación se centran en cuestiones operativas, los gestores de plantas y activos necesitan herramientas analíticas fiables para tomar decisiones más rápidas e inteligentes sobre eventos de ineficiencia o fallos. Las herramientas analíticas basadas en machine learning y big data constituyen un instrumento clave para ayudar a los equipos de AM y O&M a mejorar la eficiencia operativa de las plantas renovables, a través de la identificación temprana de problemas y la optimización de las actuaciones en el parque.
Los gestores de activos de parques eólicos, en su misión de vigilar que los rendimientos de los mismos cumplan las previsiones y operen en su punto óptimo, se enfrentan a un entorno cada vez más exigente. Entorno que, de forma resumida, podemos reducir a tres grandes retos: a) portfolios a gestionar con más plantas y aerogeneradores de mayor tamaño, que hacen más complejos los mantenimientos; b) mayor vida útil de los aerogeneradores de la prevista inicialmente, con el consiguiente incremento de problemas al inicio y final de la misma, en lo que se conoce como “curva de la bañera” del índice de fallos; y c) objetivos de reducción de costes de O&M en un entorno de incertidumbre de precios en los mercados mayoristas.
Hasta ahora, dichos gestores han contado con la información que proporcionan los SCADAs y los centros de operación remota para conseguir optimizar la eficiencia de los parques. Estas herramientas están orientadas a la operación inmediata, gestionando las alarmas y señales anómalas con el objetivo prioritario de evitar indisponibilidades. Sin embargo, en muchas ocasiones, hay ineficiencias y problemas que requieren una mayor capacidad analítica. Es aquí donde las herramientas big data y machine learning pueden desplegar todo su potencial.
Herramientas analíticas machine learning basadas en big data
Estas herramientas son capaces de captar e integrar todas las fuentes de información: señales de elementos, alarmas, consignas del operador de red, meteorológicas, etc. Y también son capaces de embeber y aprender del conocimiento experto, de detectar situaciones de operación fuera de la normalidad, y de identificar la causa-raíz de los problemas e ineficiencias y la cuantificación de su impacto. Además de esta identificación, es importante que cuenten con interfaces para las personas, de forma que permitan visualizar intuitivamente los problemas detectados, así como con APIs que permitan su integración con sistemas existentes.
Estas herramientas necesitan: a) una arquitectura IT de captación escalable, con almacenamiento, capacidad de cálculo e interfaces, b) un flujo de datos de calidad y c) unos algoritmos capaces de extraer información valiosa de los mismos.
Es importante que los algoritmos se diseñen teniendo en cuenta objetivos concretos, y que se entrenen para la operativa específica de cada aerogenerador.
Para la arquitectura, las herramientas basadas en la nube (Google, Amazon, Azure…) permiten contar con las piezas básicas de una infraestructura escalable y eficiente en costes. Optimizada para las cargas fluctuantes de los procesos de análisis.
Disponer de datos de alta calidad es crítico para obtener información valiosa y, sin embargo, es uno de los principales retos. De hecho, se estima que un 60-70% del tiempo de un proyecto de Data Science se emplea en la preparación de los datos. Huecos, incoherencias, duplicaciones, datos congelados, etc. son parte de los problemas a resolver antes de empezar cualquier proceso analítico serio.
Los algoritmos son los que permiten que la herramienta sea capaz de sacar el jugo a los datos. Para ello, es importante que se diseñen teniendo en cuenta objetivos concretos, y que se entrenen para la operativa específica de cada aerogenerador. Por ejemplo, diseñando algoritmos que permitan detectar patrones específicos de limitación de potencia por sobre-temperatura. En este caso, técnicas como las redes neuronales – que permiten predecir la temperatura, potencia o intensidad de una señal en base al modelo – son de gran ayuda para identificar problemas incipientes y cuantificar su impacto. De forma simplificada, el proceso de creación de estos algoritmos es el siguiente:

En Isotrol hemos creado la herramienta Bluence® Performance Management, que se apoya en algoritmos avanzados, para ayudar a los gestores de planta a identificar los problemas que afectan a la eficiencia de los aerogeneradores. Analizando, tanto a nivel de equipo completo, como de sus principales subsistemas: generador, pitch, yaw, multiplicadora, etc. Para hacerlo posible, combina las técnicas de machine learning con las de gemelo digital para corregir datos de mala calidad, identificar problemas en sus fases iniciales, cuantificar su impacto y recomendar actuaciones en base a los descubrimientos en base a los datos.
En la imagen siguiente podemos ver un ejemplo de cómo funcionan estos algoritmos. Aquí la comparativa entre una señal y su predicción revela que la causa raíz de una limitación es un sobrecalentamiento del generador; en este caso, sin que aparezca una señal de alarma del fabricante.


Con Bluence® Performance Management, y por medio de los análisis diarios automatizados, se mejora la eficiencia de los parques eólicos de la siguiente manera: 1) asegurando el cumplimiento de especificaciones del fabricante, por ejemplo, corrigiendo limitaciones causadas por sensores defectuosos; 2) reduciendo los tiempos de inactividad e ineficiencias mediante la detección temprana de las ineficiencias; y 3) optimizando las operaciones mediante el análisis predictivo y la identificación de la causa-raíz, antes de que se produzcan fallos importantes.
Conclusión
La misión de los equipos de AM y O&M de los parques eólicos es asegurar su rendimiento y rentabilidad. Para conseguirlo, es crítico que estos equipos puedan detectar de forma precoz los problemas y su causa-raíz, antes de que empeoren y afecten a la disponibilidad de los activos y a la producción de energía. Isotrol, en base a su experiencia con la gestión de la información de plantas renovables, ha desarrollado Bluence® Performance Management para ayudar a los gestores de planta con esta tarea. Una herramienta analítica avanzada, que automatiza la captación y corrección de datos, el modelado y entrenamiento de algoritmos y su explotación continua.
Comments are closed.