Cómo EDiGaPS está revolucionando la forma en que entendemos el impacto de la turbulencia en las turbinas eólicas

El costoso problema oculto

Las turbinas eólicas funcionan en diferentes condiciones de viento, pero a menudo se prueban en sitios con diferentes perfiles de viento. Esto complica la supervisión del rendimiento. Para realizar comparaciones precisas, es necesario ajustar factores como la densidad del aire y la turbulencia. Sin embargo, con frecuencia se pasa por alto la turbulencia.

Las turbinas se instalan en regiones con condiciones de viento variables, pero los métodos actuales, como los de la norma IEC 61400, solo abordan parcialmente el problema: corrigen el sesgo causado por el promedio de 10 minutos. Según Bardal y Sætran (2017), esto representa solo alrededor del 50% de los efectos reales de la turbulencia.

¿Cómo aplicar una corrección más completa?

‍

El enfoque de Delfos: mejores correcciones utilizando datos reales

EDiGaPS (Equivalent Difference in Gaussian Process Surface) es la respuesta de Delfos a este desafío. Desarrollado por el equipo de Data Science, el modelo utiliza machine learning con procesos gaussianos para construir una superficie tridimensional (velocidad del viento x intensidad de turbulencia x potencia) basada en datos reales de SCADA.

La idea es simple pero poderosa: en lugar de aplicar una fórmula genérica, EDiGaPS aprende de los propios datos de la turbina cómo la turbulencia afecta a la producción y corrige la curva de potencia en consecuencia.

‍

¿Qué se probó?

• Entrenamiento: 7 turbinas eólicas (1,8 MW), 7 meses de datos de SCADA
• Prueba: 1 turbina, 15 meses de datos
• Escenarios analizados: turbulencia baja (10%), media (16%) y alta (22%)
• Métrica de éxito: qué tan bien el método elimina las diferencias de AEP (producción anual de energía) entre escenarios que deberían ser prácticamente idénticas, aparte de las diferencias de turbulencia

‍

¿Y los resultados?

En comparación con el método IEC tradicional:

• EdiGaps corrigió un promedio de 60,2% de los efectos de turbulencia
• Evitado sobrecorrecciones, que se produjo en la normalización de la CEI y puede llevar a previsiones de producción poco realistas
• En algunos casos, se alcanzó corrección cercana al 100% de las diferencias de AEP causadas por turbulencias

En resumen: corrigió mejor y de forma más equilibrada.

‍

‍

¿Por qué importa esto?

Para quienes administran parques eólicos, esto significa:

• Más preciso evaluaciones de desempeño
• Decisiones más confiables con respecto a O&M y garantía
• Menor incertidumbre en Simulaciones de AEP para inversores

Para el sector en su conjunto, representa un paso importante hacia modelos más realistas y personalizados, adaptados a las características únicas de cada sitio.

‍

¿Qué sigue?

EDiGaPS ya ha demostrado su valor en un tipo de turbina. Los siguientes pasos incluyen:

• Probando en diferentes modelos y fabricantes
• Evaluación a lo largo regímenes de viento variados
• Expansión colaboraciones con operadores y fabricantes para ensayos a gran escala

‍

Conclusión

EDiGaPS es un claro ejemplo de cómo los datos y el aprendizaje automático pueden impulsar mejoras tangibles en la forma en que analizamos y optimizamos los activos renovables.

Este trabajo subraya la misión de Delfos de liderar el mantenimiento predictivo y la inteligencia aplicada a la energía renovable: convertir la ciencia en acción.

‍

Acerca de los autores y la publicación

Basado en el documento presentado en Wind Europe 2025.

Este estudio fue realizado por Fernando Saraiva Filho, Nathianne Andrade, Rodrigo Queiroz, Guido Santos, Samuel Lima y Gustavo Carvalho, especialistas de Delfos Energy, y se presentó en el Simposio de Evaluación de Recursos de Wind Europe 2025 en Copenhague.

‍

Para acceder al estudio completo y al contenido enriquecido, complete el siguiente formulario:

‍