Modelado y detección de anomalías de un aerogenerador a través de sus curvas de estado

Abstract

En este proyecto se modela el funcionamiento de un aerogenerador a través de sus curvas de estado. Estas curvas consisten en la relación de la velocidad del viento con la potencia generada y variables intermedias que permiten monitorizar el funcionamiento de determinados componentes del aerogenerador como son el rotor, el controlador de pitch, la multiplicadora, el generador eléctrico y el grupo hidráulico. Se crean un total de 9 curvas de estado, y para cada una de ellas se crea un modelo de comportamiento lineal (regresión lineal múltiple con media móvil) y un modelo de comportamiento no lineal (redes neuronales, concretamente perceptrones multicapa). Los modelos se construyen con los datos referentes al primer año de datos disponible, y después se simulan en el resto del tiempo del que se dispone de datos (aproximadamente 5 años). Se extrae el error entre valor real y predicho, y mediante las bandas de confianza (2 desviaciones típicas a cada lado de la media) obtiene los puntos fuera de ellas. Se toma como anomalía los casos en que, de cada 3 puntos consecutivos, 2 o 3 estén fuera de las bandas de confianza. Se crean curvas de anomalías que muestren el porcentaje de anomalías captadas por cada modelo y finalmente se superpone al registro de reparaciones no programadas. Se observa que tras las reparaciones se reduce el porcentaje de anomalías, por lo que se demuestra que los modelos de comportamiento correctamente han captado los fallos en el funcionamiento de los componentes a los que representan.In this project, the operation of a wind turbine is modeled through its state curves. These curves consist of the relationship of the wind speed with the power generated and intermediate variables that allow the operation of certain components of the wind turbine to be monitored, such as the rotor, the pitch controller, the gearbox, the electric generator and the hydraulic group. A total of 9 state curves are created, and for each one a linear behavior model (multiple linear regression with moving average) and a non-linear behavior model (neural networks, specifically multilayer perceptrons) are created. The models are built with the data referring to the first year of available data, and then simulated in the rest of the time for which data is available (approximately 5 years). The error between the real value and the predicted value is extracted, and the confidence bands (2 standard deviations on each side of the mean) obtain the points outside them. An anomaly is taken when, out of 3 consecutive points, 2 or 3 are outside the confidence bands. Anomaly curves are created that show the percentage of anomalies captured by each model and finally overlaps the record of unscheduled repairs. It is observed that after the repairs the percentage of anomalies is reduced, so it is shown that the behavioral models have correctly captured the malfunctions of the components they represent.