“Uso de técnicas de Machine Learning para la detección de fallas en el módulo IGBT de los aerogeneradores del Parque Eólico Villonaco”.

Abstract

Ante la necesidad de reducir el consumo de fuentes no renovables al momento de producir energía eléctrica, se han planteado varias alternativas entre las que destaca la energía eólica. Este tipo de energía limpia posee una serie de desventajas que impiden su completo desarrollo e implementación. La falla de sus componentes es una de las más frecuentes y costosas de tratar debido a la incapacidad que se tiene para detectarla e impedirla. Para el presente trabajo se cuenta con la base de datos de los valores captados por los sensores instalados en los diferentes componentes de los aerogeneradores y recogida por el sistema SCADA de la central eólica Villonaco. Esta cuenta con 70 variables de las cuales 22 serán usadas en el entrenamiento de algoritmos de Machine Learning que tienen como objetivo la detección de los momentos en que la alarma correspondiente a la falla en el módulo IGBT del convertidor de potencia de los aerogeneradores instalados en dicha central se enciende. Dado que se desconoce la calidad de la base de datos, esta es sometida a un preprocesamiento en el que se hace la limpieza de valores que afecten negativamente a los algoritmos a usar. Estos pueden ser valores nulos, repetidos, irrelevantes, etc. Esto se hace por medio del estudio de las características de dicha base por medio del software SPSS y su posterior tratamiento con Python. Los algoritmos Random Forest, KNN, SVM y NB son entrenados con ayuda del software Python y las herramientas que posee el entorno de Google Colab para el trabajo de Machine Learning. Dichos algoritmos son evaluados por métricas de rendimiento que muestran el comportamiento de los algoritmos y el desempeño al momento de predecir las fallas. Finalmente, para una mejor comprensión de los resultados, se usa el método gráfico denominado curvas ROC, el cual es una métrica que permite comparar visualmente la eficiencia de cada uno de los algoritmos. Todos estos pasos nos llevan a la conclusión que el algoritmo RF fue quien mejor desempeño tuvo al tener un valor de precisión de 88,25%, seguido de KNN, SVM y Naive Bayes con valores de 85%, 88,25% y 73.1% respectivamente. Dado que todos los valores de precisión se encuentran por arriba del 0.5% se puede concluir que todos han logrado detectar el momento en que la alarma de falla del módulo IGBT se acciona, pero con diferentes desempeños. Palabras claves: Machine Learning, SCADA, IGBT.