Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/29672
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorMaldonado Correa, Jorge Luis-
dc.contributor.authorTorres Cabrera, Joel Stiven-
dc.date.accessioned2024-04-29T16:13:11Z-
dc.date.available2024-04-29T16:13:11Z-
dc.date.issued2024-04-29-
dc.identifier.urihttps://dspace.unl.edu.ec/jspui/handle/123456789/29672-
dc.descriptionWind energy represents a renewable and sustainable alternative that can contribute to reducing pollution generated by the use of fossil fuels. The Villonaco wind farm (CEV) supplies the Ecuadorian electrical system, and a stoppage caused by a failure in its wind turbines can be costly and involve long downtime. Therefore, it is important to predict failures in the different components. This research focuses on the converter, especially on the IGBT module, because this component has had the most replacements during the operation time of the CEV. Deep learning based on transformer models is a new and powerful technique that is ideal for working with large datasets. Therefore, it will be used to predict failures in the IGBT module in the 11 wind turbines of the CEV. Initially, there are 1.63 GB of data corresponding to the operation of the wind turbines, as well as the SCADA (Supervisory Control and Data Acquisition) alarm file and the Operation and Maintenance (O&M) plan carried out in the period 2014-2021. These data are preprocessed and variable selection methods are applied; in addition, a data filtering process is performed to ensure that the data correspond only to the “normal” operation of the wind turbine. Then, two methodologies based on Transformers, capable of detecting anomalies in SCADA data, are applied. To these methodologies, a 2-stage evaluation was implemented to try to predict the occurrence of a fault. Experimental results show that the model is able to predict failures in the IGBT module with an average F1 Score higher than 90% and an average advance of 5.08 months. Keywords: Wind turbines, SCADA data analysis, IGBT module, deep learning, Transformers, deep anomaly detection.  es_ES
dc.description.abstractLa 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.es_ES
dc.format.extent202 p.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Nacional de Lojaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectAEROGENERADORESes_ES
dc.subjectANÁLISIS DE DATOS SCADAes_ES
dc.subjectMÓDULO IGBTes_ES
dc.subjectAPRENDIZAJE PROFUNDOes_ES
dc.subjectTRANSFORMADORESes_ES
dc.subjectDETECCIÓN DE ANOMALÍAS PROFUNDASes_ES
dc.titlePredicción de fallas en los aerogeneradores de la Central Eólica Villonaco, aplicando la técnica de aprendizaje profundo basado en transformadores.es_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: TRABAJOS DE TITULACION AEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
JoelStiven_TorresCabrera.pdf8,94 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.