Transfer learning para la detección de fallas en los aerogeneradores del parque Eólico Villonaco Loja-Ecuador.

Abstract

El presente trabajo de titulaci´on aborda la detecci´on de fallos en aerogeneradores de la Central E´olica Villonaco (CEV). Para ello se propone el uso de Transfer Learning por ser una t´ecnica innovadora y de alta precisi´on en tareas de predicci´on. En este sentido, en primer lugar se aplica un proceso de data mining a los datos hist´oricos del sistema SCADA y a los registro de fallos comprendidos entre 2014-2021. Luego se crea un modelo base con el aerogenerador m´as propenso a fallos con ayuda de las redes RNN, LSTM y GRU. A continuaci´on, se aplica Transfer Learning a los diferentes aerogeneradores como al mismo aerogenerador que se utiliz´o para el modelo base. Finalmente se utilizan diferentesm´etricas para evaluar el rendimiento del modelo tanto con datos balanceados como desbalanceados, y se presentan los resultados en un dashboard interactivo. Entre los resultados se puede destacar la precisi´on del Transfer Learning para anticipar fallos en el aerogenerador, y su capacidad para adaptarse a diferentes aerogeneradores, logrando obtener resultados prometedores en datos desbalanceados. La introducci´on del Transfer Learning se muestra como una estrategia potente y eficaz en el desarrollo de inteligencias artificiales para el mantenimiento predictivo, lo que redundar´a en beneficios potenciales para la CEV y para otros parques e´olicos en Ecuador. Palabras claves: Transfer Learning, Central E´olica Villonaco, SCADA, RNN, LSTM, GRU