Tras una medida técnica en un aerogenerador, a menudo surge la pregunta de qué cambio producirá dicha medida en el rendimiento del sistema. Por ejemplo, puede que quieras saber cuánto rendimiento adicional aporta la calibración de una desalineación de góndola.

En primer lugar, lo más natural es comparar la curva de potencia del sistema en los periodos anteriores y

posteriores a la medida. En este artículo destacamos las imprecisiones de este enfoque y presentamos un método más preciso mediante el cual se pueden realizar comparaciones fiables de curvas de potencia usando machine learning.

Optimización del error de orientación

Al corregir una desalineación de góndola, puede asumirse que la calibración de una desalineación sistemática de la góndola conduce a una mejora del rendimiento del aerogenerador. Esto lo hemos descrito en detalle en este artículo.

Rendimientos adicionales teóricos

Si sumas los rendimientos anuales de un aerogenerador con una producción adicional teórica del 1-3 %, puedes ver rápidamente el beneficio de una calibración de la desalineación de góndola.

Demostración del aumento de producción

La cuestión, sin embargo, es cómo puede demostrarse este aumento de rendimiento.

El proceso de conversión de la energía cinética del viento en energía eléctrica es

muy complejo y altamente dependiente de los

parámetros meteorológicos.

Los problemas de una comparación simple de curvas de potencia

Si realizas un cambio en un aerogenerador, querrás saber en qué medida ese cambio modifica el rendimiento del sistema. Sin embargo, el rendimiento de un aerogenerador no depende únicamente de la velocidad del viento. Esto significa que la curva de potencia (potencia por velocidad del viento) varía bajo diferentes condiciones meteorológicas. Para poder identificar con exactitud qué efecto tiene, por ejemplo, una calibración del seguimiento de la dirección del viento sobre la curva de potencia, una simple comparación de curvas de potencia entre dos periodos no es suficiente, ya que las condiciones meteorológicas también pueden cambiar a lo largo de años.

Dependencia de la curva de potencia de la densidad del aire

Además de la velocidad del viento, la densidad del aire es uno de los factores más importantes que afectan a la curva de potencia de los aerogeneradores. A la misma velocidad del viento, el contenido energético del viento varía en función de la densidad del aire. Cuanto más denso es el aire, más energía tiene el viento y más potencia puede convertir el aerogenerador.

La densidad del aire depende principalmente de la temperatura, la presión atmosférica y la humedad.

En la figura de la izquierda se puede apreciar una diferencia clara en la curva de potencia de un sistema entre verano e invierno.

Dependencia de la curva de potencia de la intensidad de turbulencia

Del mismo modo, la potencia a la misma velocidad del viento depende de la intensidad de turbulencia.

Por tanto, no podemos asumir que la curva de potencia de dos mediciones separadas en el tiempo sea comparable si solo medimos la velocidad del viento.

Enfoque validado: Machine Learning

Las redes neuronales son muy eficaces para aprender relaciones complejas. La relación no lineal y, por tanto, compleja entre los parámetros meteorológicos y el rendimiento de un aerogenerador puede aprenderse muy bien a partir de datos históricos de SCADA mediante este método. Los datos de 10 minutos se utilizan como datos de entrada para el modelo y para entrenarlo, de modo que prediga el rendimiento del sistema de prueba.

Antes de la calibración

La red neuronal aprende el comportamiento de rendimiento complejo a partir de diferentes direcciones de viento, presiones atmosféricas y velocidades del viento. Al aplicar este modelo a nuevos datos, puedes simular el rendimiento de la instalación de prueba bajo diferentes condiciones meteorológicas.

Después de la calibración

Si ahora calibras, por ejemplo, la desalineación de góndola del sistema de prueba, la simulación puede compararse con los datos medidos reales. La diferencia de rendimiento determinada, ajustada por las condiciones de ubicación y meteorológicas, puede utilizarse para evaluar el éxito de la medida.

1. Training

Solo utilizamos una parte de los datos (datos de training) para entrenar la curva de potencia. Esto nos proporciona un conjunto de datos (datos de validación) con el que podemos comprobar qué tan bien funciona la predicción de rendimiento de la red neuronal.

2. Training Loss vs Validation Loss

Si ahora comparamos el error de nuestro training a partir de los datos de training y de los datos de validación, debemos asegurarnos de que no se produzca el llamado overfitting, es decir, que la red neuronal no aprenda de memoria los datos de training, sino que comprenda únicamente las relaciones fundamentales.

3. Self Consistency Check

Para comprobar si la red ha aprendido bien el comportamiento de rendimiento, utilizamos datos históricos del conjunto completo de datos de training y validación y verificamos qué tan bien funciona la simulación.

En la mayoría de los casos alcanzamos una precisión del 99 %.

4. Comparación de rendimiento

Por último, utilizamos como entrada datos medidos durante el periodo de prueba, por ejemplo, tras la calibración, y comparamos los resultados del modelo de machine learning con los valores realmente medidos. La diferencia resultante refleja el mayor o menor rendimiento obtenido.

Si integras estas diferencias a lo largo de un determinado periodo de tiempo, obtienes una diferencia directa en kWh entre la potencia esperada y la potencia realmente generada por el sistema de prueba.