Como o Transfer Learning Pode Melhorar o Monitoramento de Aerogeradores

Um estudo recente, publicado no evento Brazil Windpower 2023, conduzido por Catarina Gomes, Nathianne Andrade, Osmar Alexandre, Renata Takeshita e Rodrigo Queiroz do corpo técnico da Delfos Energy, explora como técnicas de Transfer Learning podem contornar essa limitação e melhorar o monitoramento da temperatura dos transformadores de aerogeradores.

O que é Transfer Learning?

O Transfer Learning (aprendizado por transferência) permite que os modelos de machine learning (ou aprendizado de máquina) utilizem o conhecimento adquirido em um conjunto de dados para aprimorar seu desempenho em outro conjunto com menos informações disponíveis. Essa abordagem tem se mostrado valiosa em cenários onde a disponibilidade de dados é limitada, como no monitoramento de equipamentos recém-instalados.

O estudo de caso

O estudo avaliou dois aerogeradores semelhantes, denominados AEG01 e AEG02. O aerogerador AEG02 possuía um conjunto de dados mais robusto, incluindo registros de temperatura do transformador em diferentes condições operacionais. Já o AEG01 dispunha de um histórico muito mais curto, sem registros suficientes de certas variáveis críticas, como temperatura ambiente elevada e potência reativa alta.

Os pesquisadores desenvolveram três modelos distintos:

• Modelo Base: Treinado com os dados completos do AEG02.
• Modelo de Referência: Treinado apenas com os dados limitados do AEG01.
• Modelo com Transfer Learning: Inicialmente baseado no modelo do AEG02, mas ajustado para os dados do AEG01.

Principais descobertas

1. Menos Falsos Positivos: O modelo de referência do AEG01 gerou muitos alarmes falsos para anomalias que, na realidade, eram condições normais de operação. Já o modelo com Transfer Learning reduziu esses falsos positivos, tornando o monitoramento mais confiável.
2. Treinamento Mais Rápido: Como a arquitetura da rede neural do modelo base foi mantida, o treinamento do modelo com Transfer Learning foi cerca de 30% mais rápido do que o modelo de referência.‍
3. Melhor Generalização: O Transfer Learning permitiu que o modelo previsse corretamente o impacto da temperatura ambiente e da potência reativa na temperatura do transformador, mesmo sem registros diretos dessas condições no conjunto de dados original do AEG01.

Impacto na indústria eólica

A aplicação de Transfer Learning pode acelerar a implementação de modelos preditivos para novos aerogeradores, reduzindo o tempo necessário para estabelecer um monitoramento eficaz. Isso significa menos tempo de inatividade, otimização de manutenção e maior eficiência operacional para parques eólicos.

Além disso, essa abordagem abre caminho para estudos futuros que explorem a transferência de conhecimento entre turbinas de modelos distintos ou operando em diferentes condições climáticas.

Conclusão

O uso de Transfer Learning no monitoramento da temperatura de transformadores de aerogeradores demonstrou ser uma abordagem promissora para superar a limitação de dados históricos. Com essa técnica, é possível obter modelos mais robustos e eficientes sem a necessidade de esperar anos pela coleta de dados suficientes.

Se você quer saber mais sobre como otimizar o desempenho de ativos renováveis com aprendizado de máquina, continue acompanhando o Delfos Research.

Para acessar o estudo completo, preencha o formulário abaixo:

‍