Desarrollo de una herramienta de software analítica de eventos en activos renovables

Abstract

En este Trabajo de Fin de Máster se presenta el desarrollo de un modelo de clasificación para la detección del fallo por condensación en inversores solares, en colaboración con la empresa Gamesa Electric. Este proyecto tiene como objetivo apoyar a la empresa en el proceso de digitalización y modernización de sus sistemas de mantenimiento, orientándolos hacia un enfoque predictivo.

El trabajo abarca la recopilación y el preprocesado de datos, la reducción de la dimensionalidad mediante Principal Component Analysis (PCA), la aplicación de técnicas de clustering (K-Means, Fuzzy C-Means y Gaussian Mixture Models), así como la implementación de modelos de clasificación basados en árboles de decisión (Decision Tree y XGBoost). Todo ello se ha llevado a cabo utilizando datos históricos de funcionamiento de los inversores solares, incluyendo variables numéricas y registros de alarmas.

Los resultados obtenidos muestran que el modelo basado en XGBoost combinado con la reducción de la dimensionalidad es el que mejor se ajusta a los datos analizados, aunque aún presenta margen de mejora. El trabajo concluye con la presentación de las principales conclusiones y la propuesta de futuras líneas de desarrollo, con el fin de que la empresa continúe avanzando hacia un modelo de clasificación más robusto y la implementación de un sistema de mantenimiento predictivo más eficiente y escalable.

This Master's Thesis presents the development of a classification model for the detection of condensation failure in solar inverters, in collaboration with the company Gamesa Electric. The objective of this project is to support the company in the process of digitalization and modernization of its maintenance systems, moving towards a predictive maintenance approach.

The work involves data collection and preprocessing, dimensionality reduction using Principal Component Analysis (PCA), the application of clustering techniques (K-Means, Fuzzy C-Means, and Gaussian Mixture Models), as well as the implementation of tree-based classification models (Decision Tree and XGBoost). All these steps were carried out using historical operational data from solar inverters, including numerical variables and alarm records.

The results obtained show that the model based on XGBoost combined with dimensionality reduction provides the best fit to the analyzed data, although there is still room for improvement. The thesis concludes with a summary of the main findings and the proposal of future development lines, aimed at helping the company continue progressing towards a more robust classification model and the implementation of a more efficient and scalable predictive maintenance system.