Resumen
Tras una mejora técnica en un aerogenerador, a menudo surge la pregunta de qué cambio ha producido dicha mejora en el rendimiento de la máquina. Por ejemplo, se querría saber cuánta más potencia se genera tras la calibración de una desalineación de la góndola.
En primer lugar, resulta conveniente comparar la curva de potencia del aerogenerador en los periodos anterior y posterior a la medida.
En este artículo, destacamos las imprecisiones de este enfoque y presentamos un enfoque completamente nuevo que permite realizar comparaciones fiables de curvas de potencia con la ayuda del aprendizaje automático.
Ejemplo: Corrección del error de orientación (yaw misalignment)
Nos gustaría exponer nuestras reflexiones a partir del ejemplo de una corrección de la desalineación de la góndola.
Se puede asumir que la calibración de un error de orientación sistemático, por ejemplo mediante nuestro Turbit Measurement System (TMS), conduce a una mejora del rendimiento global del aerogenerador. Este artículo describe el trasfondo teórico y físico de los efectos de un error de orientación sobre el rendimiento de los aerogeneradores.
Incrementos teóricos en la potencia total
Si tomas los rendimientos anuales de un aerogenerador y añades una producción adicional teórica de 1-3 %, puedes apreciar rápidamente el beneficio económico de una calibración de la desalineación de la góndola.
¿Prueba de un incremento en el rendimiento?
Sin embargo, surge la pregunta de cómo puede demostrarse este aumento de rendimiento mediante mediciones de potencia reales. El proceso de conversión de energía cinética del viento en energía eléctrica es muy complejo y altamente dependiente de los parámetros meteorológicos.
Problemas de una comparación normal de curvas de potencia
Si realizas un cambio en un aerogenerador, querrás saber cuánto modifica dicho cambio el rendimiento de la máquina. El rendimiento de un aerogenerador no depende únicamente de la velocidad del viento. Esto provoca una variación en la curva de potencia (potencia por velocidad de viento) bajo diferentes condiciones meteorológicas.
Una comparación normal de curvas de potencia entre dos periodos de tiempo no es suficiente para poder determinar con exactitud cuál fue la causa. Por ejemplo, las condiciones meteorológicas pueden cambiar a lo largo del tiempo y afectar así a la curva de potencia.
Dependencia de la curva de potencia respecto a la densidad del aire
La densidad del aire es, además de la velocidad del viento, uno de los factores más importantes en 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 densa es el aire, más energía tiene el viento y más potencia puede convertir el aerogenerador.
La densidad del aire, a su vez, depende principalmente de la temperatura, la presión atmosférica y la humedad.
La figura de la izquierda muestra una diferencia clara en la curva de potencia de una instalación entre verano e invierno. La razón principal es la temperatura media y la diferente densidad del aire asociada a ella.
Dependencia de la curva de potencia respecto a la intensidad de turbulencia
Del mismo modo, la potencia a la misma velocidad del viento depende de la intensidad de turbulencia.
No podemos asumir que la curva de potencia de dos mediciones separadas temporalmente sea comparable si únicamente medimos la velocidad del viento.
Las mediciones convencionales con mástiles de medición son demasiado costosas y complejas.
Nuevo enfoque: aprendizaje automático
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 con este método. Los datos de 10 minutos de todos los aerogeneradores de un parque eólico se utilizan como datos de entrada para el modelo, y el modelo se entrena para predecir el rendimiento del aerogenerador de prueba.
La red neuronal aprende así el comportamiento de potencia complejo a partir de diferentes direcciones de viento, presiones atmosféricas y velocidades del viento. Si este modelo se aplica a datos nuevos, puede simularse el rendimiento del aerogenerador de prueba bajo diferentes condiciones meteorológicas.
Cuando se calibra la desalineación de la góndola del sistema de prueba, la simulación puede compararse con los datos reales. La diferencia de potencia determinada, ajustada por la ubicación y las condiciones meteorológicas, puede utilizarse para evaluar el éxito de la medida.
1. Training
Para entrenar la curva de potencia utilizamos solo una parte de los datos (Training Data). Esto nos proporciona un conjunto de datos (Validation Data) que podemos usar para comprobar con qué precisión funciona la predicción de potencia mediante la red neuronal.
2. Training Loss vs. Validation Loss
Si comparamos ahora el error de nuestro entrenamiento a partir de los datos de entrenamiento y de los datos de validación, debemos asegurarnos de que no se produzca el denominado sobreajuste (overfitting),
es decir, que la red neuronal no memorice los datos de entrenamiento, sino que comprenda únicamente las conexiones fundamentales.
3. Comprobación de consistencia interna
Para verificar si la red ha aprendido bien el comportamiento de rendimiento, utilizamos datos históricos del conjunto completo de datos de entrenamiento y validación, y comprobamos con qué precisión funciona la simulación.
Habitualmente alcanzamos una precisión del 99 %.
4. Comparación de potencia
Por último, utilizamos como datos de entrada los datos medidos durante el periodo de prueba, por ejemplo tras una calibración, y comparamos los resultados del modelo de aprendizaje automático con los valores reales medidos. La diferencia resultante corresponde al incremento o decremento de la producción.
Si estas diferencias se integran a lo largo de un determinado periodo de tiempo, se obtiene una diferencia directa en kWh entre la potencia esperada y la realmente generada por el aerogenerador de prueba.
