Abstract
Este proyecto extiende el campo de Business Intelligence (BI) al área de energía hidroeléctrica con el fin de mejorar las operaciones funcionales y de mantenimiento de una turbina Kaplan específica. Tal tarea se ha logrado mediante el desarrollo de patrones normales de comportamiento y detección de anomalías de algunas de las variables clave de la central hidroeléctrica que influyen en su optimización.
This project extends Business Intelligence (BI) field to hydroelectric power area in order to improve functional and maintenance operations of a specific Kaplan turbine. Such task has been achieved by the normal behavior patterns and anomalies detection development for some of the key hydroelectric plant’s variables which influence its optimization
Trabajo Fin de Máster
Desarrollo de indicadores anomalías y prognosis de la condición de componentes de una central eléctrica hidráulica.
Titulación / Programa
Hoy día el uso de energías renovables es creciente, así como el impacto que puede tener su indisponibilidad debido a un fallo. Aunque bien conocidas las centrales hidráulicas se inscriben en este contexto. Su fallo o pérdida de disponibilidad supone unos costes importantes tanto de energía no producida, como ambientales y de mantenimiento, así como impacto en la calidad del servicio. De ahí que en la medida de lo posible es conveniente anticiparse a momentos de cierto riesgo de fallo en base a la operación e historia de incidencias que ha habido.
El proyecto se inscribe en un proyecto mucho más amplio liderado por socios europeos de Noruega y Suecia. El objetivo de este proyecto es usar la información de la monitorización de la planta para la detección de anomalías y proponer indicadores de la condición de salud de los componente monitorizados, así como prever o pronosticar (prognosis) su posible evolución a corto plazo. Todo ello ayudará a tomar decisiones tanto en mantenimiento como en la operación de la central.
El proyecto se ha de realizar en inglés y se basará en desarrollo de scripts en MATLAB para construir los indicadores de anomalías y realizar la prognosis.
Materias/ categorías / ODS
MIT (H67)
Palabras Clave
Turbina, Hidroeléctrico, MLPNN, SVM, RBF, Acumuladores de aceite, Patrones normales de comportamiento, Detección de anomalías, Estimación
Turbine, Hydroelectric, MLPNN, SVM, RBF, Oil accumulators, Normal behavior patterns, Anomalies detection, Estimation
