Modelo híbrido de predicción de fallas para los aerogeneradores de la Central Eólica Villonaco utilizando inteligencia artificial y datos del sistema SCADA

Abstract

La energía eólica ha surgido como una alternativa prometedora frente al uso de combustibles fósiles, convirtiéndose en una de las fuentes de energía renovables de mayor crecimienyto a nivel mundial. A pesar de sus ventajas, la eficiencia de la energía eólica se ve limitada por los costos asociados a la operación y mantenimiento (O&M), los cuales representan una parte significativa del gasto total en un parque eólico. El objetivo de este trabajo de integración curricular (TIC) es implementar un modelo híbrido que combina técnicas de inteligencia artificia (IA) y datos del sistema SCADA (Supervisory Control and Data Acquisition) para realizar la clasificación de fallas en los aerogeneradores de la Central Eólica Villonaco (CEV), se debe determinar si los datos registrados corresponden a datos de falla o no. Por lo tanto, el resultado principal es un modelo híbrido basado en Redes Neuronales Artificiales (ANN), Random Forest (RF) y la técnica de combinación Blending Ensemble denominado Blending-ANN-RF, cuya ejecución se llevó a cabo bajo la adaptación de la metodología CRISP-DM, la cual se aplicó para orientar los experimentos con varios tipos algoritmos en conjunto con técnicas de sobremuestreo y en las diferentes técnicas de combinación, donde la técnica Blending emerge con especial relevancia. Esta estrategia logró un rendimiento sobresaliente en evaluaciones específicas, tales como las derivadas de la matriz de confusión, en la validación cruzada y el test de Wilcoxon, además de evidenciar un tiempo de entrenamiento reducido. Estos resultados respaldan la eficacia y eficiencia del modelo híbrido implementado, ratificando la idoneidad de la técnica Blending para mejorar las capacidades individuales de los algoritmos ANN y RF. Así mismo, se han identificado áreas prometedoras para futuras investigaciones, que incluyen la exploración de nuevos modelos que aprovechan los datos SCADA y componentes de un aerogenerador más estudiados. Estas líneas de investigación futuras prometen contribuir aún más al campo de la predicción de fallas en aerogeneradores.

Palabras Clave: algoritmos de aprendizaje automático, predicción de fallas, técnicas de sobremuestreo, técnicas de combinación de algoritmos.