Cómo la Transfer Learning puede mejorar la Monitorización de las Turbinas Eólicas

Un estudio reciente presentado en el evento Brazil Windpower 2023, dirigida por Catarina Gomes, Nathianne Andrade, Osmar Alexandre, Renata Takeshita y Rodrigo Queiroz, del equipo técnico de Delfos Energy, explora cómo las técnicas de Transfer Learning pueden superar esta limitación y mejorar la monitorización de la temperatura de los transformadores de los aerogeneradores.

¿Qué es el Transfer Learning?

El aprendizaje por transferencia permite que los modelos de aprendizaje automático aprovechen los conocimientos adquiridos de un conjunto de datos para mejorar el rendimiento de otro conjunto de datos con menos información disponible. Este enfoque ha demostrado ser valioso en escenarios en los que la disponibilidad de datos es limitada, como la supervisión de los equipos recién instalados.

El estudio de caso

El estudio evaluó dos turbinas eólicas similares, denominadas AEG01 y AEG02. El AEG02 La turbina tenía un conjunto de datos más completo, que incluía los registros de temperatura de los transformadores en diversas condiciones de operación. Por el contrario, el AEG01 tenía una historia mucho más corta y carecía de registros suficientes de variables críticas como alta temperatura ambiente y alta potencia reactiva.

Los investigadores desarrollaron tres modelos diferentes:

• Modelo de referencia: Entrenado con el conjunto de datos completo de AEG02.
• Modelo de referencia: Entrenado solo con los datos limitados de AEG01.
• Modelo de transferencia de aprendizaje: Basado inicialmente en el modelo AEG02, pero ajustado con los datos del AEG01.

Principales resultados

1. Menos falsos positivos: El modelo de referencia para el AEG01 generó muchas falsas alarmas por anomalías que, en realidad, eran condiciones de funcionamiento normales. El modelo de transferencia de aprendizaje redujo estos falsos positivos, lo que hizo que la monitorización fuera más fiable.
2. Entrenamiento más rápido: Dado que se mantuvo la arquitectura de redes neuronales del modelo de referencia, el modelo de transferencia de aprendizaje se entrenó aproximadamente un 30% más rápido que el modelo de referencia.
3. Mejor generalización: El aprendizaje por transferencia permitió al modelo predecir correctamente el impacto de la temperatura ambiente y la potencia reactiva en la temperatura del transformador, incluso sin registros directos de estas condiciones en el conjunto de datos original del AEG01.

Impacto en la industria eólica

La aplicación de Transfer Learning puede acelerar el despliegue de modelos predictivos para nuevas turbinas eólicas, reduciendo el tiempo necesario para establecer un monitoreo efectivo. Esto significa menos tiempo de inactividad, un mantenimiento optimizado y una mayor eficiencia operativa para los parques eólicos.

Además, este enfoque allana el camino para futuros estudios que exploren la transferencia de conocimientos entre turbinas de diferentes modelos o que operan en condiciones climáticas variables.

Conclusión

El uso de Transfer Learning para monitorear la temperatura de los transformadores en turbinas eólicas ha demostrado ser un enfoque prometedor para superar la limitación de los datos históricos. Con esta técnica, es posible obtener modelos más robustos y eficientes sin tener que esperar años para recopilar datos suficientes.

Si desea obtener más información sobre cómo optimizar el rendimiento de los activos renovables con el aprendizaje automático, esté atento a Delfos Research.

Para acceder al estudio completo, rellene el siguiente formulario:

‍