Predicción de fallas en los aerogeneradores de la Central Eólica Villonaco, aplicando la técnica de aprendizaje profundo basado en transformadores.

Abstract

La energía eólica representa una alternativa renovable y sostenible que puede contribuir a reducir la contaminación generada los combustibles fósiles. La Central Eólica Villonaco (CEV) abastece al sistema eléctrico ecuatoriano, y una parada ocasionada por una falla en sus aerogeneradores puede ser costosa e implicar un largo tiempo de inactividad. Por ello, es importante predecir fallas en los diferentes componentes del sistema. Esta investigación se enfoca en el convertidor, especialmente en el módulo IGBT, debido a que este componente es el que más reemplazos ha tenido durante el tiempo de funcionamiento de la CEV. El aprendizaje profundo basado en el modelo de transformadores es una técnica nueva, potente e ideal para trabajar en un gran conjunto de datos. Por lo tanto, se utilizará para predecir fallas del módulo IGBT en 11 aerogeneradores de la CEV. El dataset de funcionamiento de los aerogeneradores contiene 1,63 GB de datos; además, se tiene el archivo de alarmas del SCADA (Supervisory Control and Data Acquisition) y el plan de Operación y Mantenimiento (O&M) durante el periodo 2014-2021. Estos datos se preprocesan y se aplica métodos de selección de variables; además, se realiza un proceso de filtrado de datos para garantizar que los datos correspondan únicamente al funcionamiento “normal” del aerogenerador. Luego, se aplica dos metodologías basada en Transformadores, capaz de detectar anomalías en datos SCADA. A estas metodologías, se implementó una evaluación de 2 etapas, para intentar predecir la ocurrencia de una falla. Los resultados experimentales muestran que el modelo es capaz de predecir fallas en el módulo IGBT con un F1 Score promedio superior al 90% y un avance promedio de 5.08 meses.

Palabras clave: Aerogeneradores, Análisis de datos SCADA, Módulo IGBT, aprendizaje profundo, Transformadores, detección de anomalías profundas.