El KPI «disponibilidad» se menciona a menudo en el sector eólico, pero rara vez se comprende de verdad. Quien quiera capturar el rendimiento técnico real de un aerogenerador debería centrarse en la disponibilidad energética (DE).
Gracias a la IA moderna, esta métrica puede determinarse ahora de forma más realista y precisa que nunca, ya que la IA puede tener en cuenta efectos como la turbulencia, la temperatura, la densidad del aire y el diseño del parque eólico.
¿Qué es la disponibilidad energética?
La disponibilidad energética (DE) mide qué parte de la producción de energía potencial de un aerogenerador estuvo realmente disponible durante un período determinado, es decir, sin restricciones técnicas u operativas.
A diferencia de la disponibilidad clásica temporal, contractual o técnica, la DE no considera solo si un aerogenerador está en funcionamiento, sino cuánta energía se pierde cuando no lo está.
Una parada durante viento fuerte es energéticamente mucho más relevante que una durante viento débil.
Por qué la disponibilidad energética es un KPI sólido para comparar el rendimiento de aerogeneradores
1. Evaluación realista del rendimiento
Una parada breve en condiciones de viento turbulento y fuerte puede provocar una pérdida de energía significativa. La DE pondera estas pérdidas según las condiciones de viento, mostrando cuánta energía se deja realmente sobre la mesa.
2. Análisis de causa raíz más preciso
La disponibilidad energética ayuda a identificar paradas críticas con un alto impacto energético. Esto permite una priorización dirigida de los esfuerzos de mantenimiento y servicio.
3. Comparabilidad objetiva
La DE normaliza la disponibilidad de viento. Esto significa que aerogeneradores, modelos y emplazamientos pueden compararse de forma justa, independientemente de la frecuencia del viento o de los efectos estacionales.
Cómo la IA hace que el cálculo sea mucho más preciso
Históricamente, la disponibilidad energética se calculaba usando modelos de velocidad del viento simples o curvas de potencia. Estos enfoques simplifican en exceso la realidad e ignoran muchas influencias que afectan significativamente al rendimiento energético real.
Con los modelos basados en IA, esto ha cambiado de forma fundamental. Los enfoques modernos de machine learning (como los que utiliza Turbit para la monitorización del rendimiento) aprenden el comportamiento individual de cada aerogenerador bajo las condiciones reales del emplazamiento.
Estos modelos tienen en cuenta parámetros como:
- Turbulencia y dirección del viento: influyen en la eficiencia aerodinámica del aerogenerador
- Temperatura y densidad del aire: afectan al par y a la conversión de energía
Al incorporar estos factores, la IA puede predecir la producción de potencia potencial con mucha más precisión que los modelos tradicionales basados en curvas de potencia y, por tanto, calcular la disponibilidad energética con mucha mayor exactitud.
Ejemplo
Como operador técnico, quiero comparar dos aerogeneradores en un parque eólico ficticio de dos máquinas y responder a la pregunta: ¿Cuál opera de forma más eficiente?
Por supuesto, podría comparar simplemente la producción total de energía durante un período determinado. Sin embargo, hay un problema: el aerogenerador 2 está parcialmente sombreado por el aerogenerador 1, y viceversa. Dependiendo de la frecuencia de la dirección del viento en distintos años, uno u otro parecerá más eficiente.
Dado que ambos aerogeneradores están en el mismo emplazamiento, experimentan temperatura y densidad del aire idénticas, por lo que esos factores se anulan aquí; pero serían relevantes si los aerogeneradores estuvieran en ubicaciones diferentes.
Por último, la elevación del terreno (altitud sobre el nivel del mar) también afecta a la curva de potencia. Ninguno de estos factores es un verdadero factor de rendimiento técnico; son influencias ambientales o físicas, no problemas como palas de rotor dañadas o fallos en componentes.
