Un article del grup Data and Signal Processing Group de la UVic-UCC, entre els 20 més citats a ‘Applied Sciences’

L’article "Wind Turbine Prognosis Models Based on SCADA Data and Extreme Learning Machines", signat per Pere Martí-Puig, Alejandro Blanco-M, Moisès Serra-Serra i Jordi Solé-Casals, investigadors del grup de recerca Data and Signal Processing Group de la UVic-UCC, ha estat un dels 20 articles més citats el 2021 a la secció “Energy Science and Technology” de la revista Applied Sciences.

A l’article, publicat el 9 de gener de 2021, es presenta un mètode per construir models per controlar i avaluar l'estat de salut dels aerogeneradors mitjançant xarxes neuronals. Els models s'entrenen mitjançant l'estratègia Extreme Learning Machines (ELM). Les dades utilitzades s'obtenen dels sistemes SCADA, fàcilment disponibles en aerogeneradors moderns. La tècnica ELM requereix uns costos computacionals molt baixos per a l'entrenament dels models i, per tant, permet la integració d'un enfocament de tipus grid-search amb instàncies paral·lelitzades per esbrinar els paràmetres òptims del model. Aquests models es poden construir tant individualment, considerant les turbines per separat, com de manera agregada per a tot el parc. L'estratègia seguida consisteix a predir una variable objectiu utilitzant la resta de variables del sistema/subsistema, calcular la desviació de l'error respecte a la variable objectiu real i, finalment, comparar els alts valors d'error amb una selecció d'esdeveniments d'alarma per a aquest sistema, validant així el rendiment del model. 

Els resultats experimentals indiquen que aquesta metodologia és capaç de detectar desajustos en les etapes de fallada del sistema, i permetre així programar l'operació de manteniment abans que es produeixi una fallada crítica. La senzillesa dels sistemes ELM i la facilitat amb què es poden ajustar els paràmetres fan que sigui una opció realista per ser implementada en models d'aerogeneradors per treballar en temps real.