Un artículo del grupo Data and Signal Processing Group de la UVic-UCC, entre los 20 más citados en Applied Sciences

El artículo "Wind Turbine Prognosis Models Based on SCADA Data and Extreme Learning Machines", firmado por Pere Martí-Puig, Alejandro Blanco-M, Moisès Serra-Serra y Jordi Solé-Casals, investigadores del grupo de investigación Data and Signal Processing Group de la UVic-UCC, ha sido uno de los 20 artículos más citados en 2021 en la sección “Energy Science and Technology” de la revista Applied Sciences.

En el artículo, publicado el 9 de enero de 2021, se presenta un método para construir modelos para controlar y evaluar el estado de salud de los aerogeneradores mediante redes neuronales. Los modelos se entrenan mediante la estrategia Extreme Learning Machines (ELM). Los datos utilizados se obtienen de los sistemas SCADA, fácilmente disponibles en modernos aerogeneradores. La técnica ELM requiere unos costes computacionales muy bajos para el entrenamiento de los modelos y, por tanto, permite la integración de un enfoque de tipo grid-search con instancias paralelizadas para averiguar los parámetros óptimos del modelo. Estos modelos se pueden construir tanto individualmente, considerando las turbinas por separado, como de forma agregada para todo el parque. La estrategia seguida consiste en predecir una variable objetivo utilizando el resto de variables del sistema/subsistema, calcular la desviación del error respecto a la variable objetivo real y, por último, comparar los altos valores de error con una selección de eventos alarma para este sistema, validando así el rendimiento del modelo.

Los resultados experimentales indican que esta metodología es capaz de detectar desajustes en las etapas de fallo del sistema, permitiendo así programar la operación de mantenimiento antes de que se produzca un fallo crítico. La sencillez de los sistemas ELM y la facilidad con la que se pueden ajustar los parámetros hacen que sea una opción realista para ser implementada en modelos de aerogeneradores para trabajar en tiempo real.