Como o EDiGaPS está revolucionando a forma de entender o impacto da turbulência em turbinas eólicas
O problema que pouca gente vê, mas que custa muito
As turbinas eólicas operam em diferentes condições de vento, mas muitas vezes são testadas em locais com condições de vento distintas. Isso torna o acompanhamento do desempenho complicado. Para obter comparações precisas, é necessário ajustar fatores como densidade do ar e turbulência. Contudo, o segundo fator citado é comumente ignorado.
Turbinas são instaladas em regiões com diferentes condições de vento, mas os métodos atuais — como os da norma IEC 61400 — só corrigem uma parte do problema: o viés causado pela média de 10 minutos. Isso representa cerca de 50% dos efeitos reais da turbulência, segundo Bardal & Sætran (2017).
Como aplicar uma correção mais abrangente?
A proposta da Delfos: corrigir melhor, com dados reais
O EDiGaPS (Equivalent Difference in Gaussian Process Surface) é a resposta da Delfos a esse desafio. Desenvolvido pela equipe de Data Science, esse modelo usa machine learning com Gaussian Processes para criar uma superfície tridimensional (velocidade do vento x intensidade de turbulência x potência) baseada em dados reais do SCADA.
A ideia é simples, mas poderosa: em vez de aplicar uma fórmula genérica, o EDiGaPS aprende com os próprios dados da turbina como a turbulência afeta a produção, e corrige a curva de potência levando tudo isso em conta.
O que foi testado?
- Métrica de sucesso: quão bem o método elimina a diferença de AEP (Annual Energy Production) entre os cenários que deveriam ser praticamente idênticos a menos das diferenças advindas de turbulência
- Treinamento: 7 turbinas (1,8 MW), 7 meses de dados de SCADA
- Teste: 1 turbina, 15 meses de dados
- Cenários analisados: turbulência baixa (10%), média (16%) e alta (22%)
E os resultados?
Comparado ao método tradicional da IEC:
- EDiGaPS corrigiu em média 60,2% dos efeitos da turbulência.
- Evitou sobrecorreções, que aconteceram na normalização IEC, o que podem gerar previsões irreais de produção.
- Em alguns casos, chegou perto de 100% de correção da diferença de AEP causada pela turbulência.
Em resumo: corrigiu melhor e com mais equilíbrio.
Por que isso importa?
Para quem gere parques eólicos, isso significa:
- Avaliações mais precisas de performance
- Decisões mais confiáveis sobre O&M e garantia
- Menos incertezas em simulações de AEP para investidores
E, para o setor como um todo, representa um passo importante rumo a modelos mais realistas e personalizados, que respeitam as particularidades de cada site.
O que vem a seguir?
O EDiGaPS já demonstrou seu valor em um tipo de turbina. Os próximos passos envolvem:
- Testar em diferentes modelos e fabricantes
- Avaliação em diferentes regimes de vento
- Expandir colaborações com operadores e fabricantes para testes em grande escala
Conclusão
O EDiGaPS é um exemplo claro de como dados e machine learning podem gerar ganhos concretos na forma como analisamos e otimizamos ativos renováveis.
Esse trabalho reforça a missão da Delfos de liderar o pensamento em manutenção preditiva e inteligência aplicada a energias renováveis — e transformar ciência em ação.
Sobre os autores e a publicação
Baseado no artigo apresentado na Wind Europe 2025.
Este estudo foi conduzido por Fernando Saraiva Filho, Nathianne Andrade, Rodrigo Queiroz, Guido Santos, Samuel Lima e Gustavo Carvalho, especialistas da Delfos Energy, e apresentado no Simpósio de Avaliação de Recursos do Wind Europe 2025, em Copenhague.
Para acessar o estudo completo e o conteúdo rico, preencha o formulário abaixo:
Agende uma reunião
Vamos nos conectar e criar novas parcerias
Custom Renewable Energy Solutions
Entre em contato conosco hoje mesmo para conversar sobre suas necessidades de energia renovável. Juntos, encontraremos a solução ideal para a sua empresa.