Automatización de la limpieza de datos de turbinas eólicas con Machine Learning

La limpieza de datos puede parecer una tarea invisible en el mundo de las energías renovables, pero ahí es precisamente donde comienza la eficiencia. En este estudio de Delfos Energy, los investigadores demuestran cómo la aplicación del aprendizaje automático al modelado de curvas de potencia de las turbinas eólicas puede eliminar el trabajo manual y hacer que el proceso sea mucho más escalable y preciso.

El problema: datos sucios e ineficiencia manual

Para entender el rendimiento real de una turbina eólica, hay que analizar su curva de potencia, es decir, la relación entre la velocidad del viento y la producción de energía. Sin embargo, los datos recopilados por los sistemas SCADA suelen incluir ruido, fallos operativos, limitaciones técnicas o incluso errores en los sensores. Además, los registros de eventos no siempre están disponibles ni son confiables.

En la práctica, esto obliga a muchos equipos a filtrar manualmente los datos para eliminar las anomalías antes de modelar la curva de potencia. Como puede imaginar, este proceso es lento, subjetivo y no escalable.

La innovación: el proceso gaussiano como filtro inteligente

La propuesta del estudio es simple pero poderosa: utilizar el Proceso Gaussiano (GP), un algoritmo bayesiano de aprendizaje automático (un clasificador probabilístico basado en el teorema de Bayes), para automatizar de forma inteligente este proceso de limpieza de datos.

En lugar de confiar en registros manuales o registros de eventos, el GP está capacitado para identificar los patrones operativos normales de la turbina. Aprende de los propios datos, detectando valores atípicos y eliminando las anomalías con gran precisión.

Además, hace todo esto sin distorsionar el resultado final, como lo demuestra la comparación de los valores de AEP (producción anual de energía) entre diferentes métodos de filtrado.

El resultado: eficiencia y escalabilidad

Se realizaron dos experimentos:

En la primera, los autores demostraron que el filtro basado en el proceso gaussiano producía resultados de AEP casi idénticos a los del filtrado manual tradicional, con solo una diferencia del 0,29%.

‍

En la segunda, el GP se comparó con un filtro basado en los registros de gravedad (cuando estaban disponibles) y, una vez más, el resultado fue muy parecido, con solo una diferencia del -0,25%.

En ambos casos, el enfoque de Delfos demostró que es posible automatizar la limpieza de datos sin comprometer la precisión del modelo final. Esto supone un gran avance para los equipos que buscan un análisis del rendimiento ágil y estandarizado.

¿Por qué importa esto?

Esta innovación refuerza el compromiso de Delfos con la excelencia técnica y la automatización de los procesos críticos en el sector de las energías renovables. Al eliminar los pasos manuales y subjetivos, allanamos el camino para un análisis más sólido, confiable y reproducible, ingredientes esenciales para la transición energética global.

Para nuestros clientes y socios, esto se traduce en una toma de decisiones más segura, menos repeticiones de trabajo y una plataforma más inteligente cada día.

¿Quieres ver el documento técnico completo?

Complete el siguiente formulario y acceda al documento completo publicado por nuestro equipo de P&D y comprenda todos los detalles técnicos detrás de esta innovación.

‍

Estudio publicado por Osmar Alexandre, Rodrigo Queiroz y Gustavo Carvalho de Delfos Energy y presentado a Brazil Windpower 2024.