Transcripción:

Me llamo Michael Tegtmeier y tengo formación en Física. Trabajé en Senvion, centrándome en diversas mediciones. He analizado muchos datos y he comprobado que los fabricantes, a pesar de contar con una gran cantidad de sensores y datos, no realizan análisis de la forma en que sería posible hacerlo hoy en día, especialmente con IA. Esto quedó especialmente patente en 2017.

Hoy me gustaría presentar lo que hemos descubierto hasta ahora y echar un vistazo al estado actual de la industria eólica. Lo más importante es que hablaré sobre las posibles ventajas que la IA puede aportar a las aplicaciones de energía eólica y ofreceré una visión de hacia dónde pueden ir las cosas en los próximos cinco años.

Así pues, hablaré sobre las capacidades de la IA, no solo en general, sino también específicamente en el sector de la energía eólica. Hablaré del valor añadido que aporta y de por qué la dirección del desarrollo de la IA es fundamental. Es de sobra conocido que el machine learning y el big data se han convertido en palabras de moda, pero intentaré explicar por qué son importantes.

En los últimos años se han producido tres grandes avances en IA, y uno de los más importantes es el entrenamiento de la IA con grandes conjuntos de datos para comprender cómo se relacionan entre sí. Por ejemplo, introduje en el chat: «Eres el operador técnico de un parque eólico. Se ha producido un daño en el rodamiento principal de una instalación sénior, indicado por un aumento de temperatura. Escribe un correo electrónico al equipo de servicio solicitando una muestra de aceite del rodamiento lo antes posible, y hazlo en menos de 300 caracteres.»

El resultado fue un mensaje bien elaborado, lo que demuestra que los procesos, como la redacción de un correo electrónico, ya pueden automatizarse de forma eficaz. En un tono más distendido, la IA también puede generar imágenes. Aunque la imagen generada de un aerogenerador tenía cuatro palas —una pequeña discrepancia—, sigue demostrando las capacidades de la IA.

Esto nos lleva al segundo avance: el reconocimiento de objetos, que requiere grandes cantidades de datos de medición o conjuntos de datos etiquetados. Tiene una amplia aplicación, especialmente en la conducción autónoma, pero también para startups y empresas que detectan daños en hojas o grietas en torres mediante IA.

Hoy quiero presentar un enfoque diferente, centrado en el aprendizaje por refuerzo. Es un algoritmo especialmente eficaz para aprender a jugar a juegos complejos. La idea es que un agente de IA adapte su comportamiento en un entorno según una función objetivo específica, incluso si no conoce dicho entorno. Este concepto también es muy aplicable a un parque eólico.

Las ventajas de la aplicación de la IA ya pueden destacarse bastante bien. Pero, antes de profundizar en ello, hablemos de por qué es relevante y qué problemas aborda. A medida que los aerogeneradores se hacen más grandes, nos enfrentamos a retos específicos. Por ejemplo, en un proyecto de repotenciación, si uno de cada 50 aerogeneradores falla, no es un problema significativo. Pero tras la repotenciación, si tengo 17 aerogeneradores mucho más potentes y uno de ellos falla, el riesgo y la pérdida de producción son mucho mayores.

A medida que los aerogeneradores aumentan de tamaño, también lo hace la tensión física a la que se ven sometidos, lo que los hace más sensibles y propensos a averías. Existe además el problema de la escasez de personal y el cambio demográfico: ¿quién realizará todas las tareas necesarias? Adicionalmente, los fabricantes de equipos originales (OEM) tienden a trasladar estos riesgos de sus balances a contratos de servicio integral, volviéndose más permisivos, y los costes de oportunidad derivados de las pérdidas de producción acaban en los balances de los operadores.

Por ejemplo, si hay un problema con la subestación transformadora o con un aerogenerador en un parque eólico de 17 máquinas, los costes derivados de las pérdidas de producción por los largos plazos de entrega pueden escalar rápidamente hasta millones. Cuando se suman estos daños y se evalúa cuáles pueden provocar pérdidas de producción, se llega a aproximadamente 26.000 euros por megavatio y año en concepto de tiempo de inactividad. Si esto puede modificarse con software, entonces se ha conseguido un buen retorno de la inversión.

Aquí hay un gráfico con estadísticas de daños. En el eje Y tenemos la probabilidad de que se produzca el daño, y el tamaño de la burbuja representa el tiempo de inactividad cuando este se produce. La cuestión es que podemos prevenir muchos eventos que conducen a paradas y que actualmente recaen en los balances de los operadores.

Veamos un ejemplo real. Avisamos a un operador y a un OEM de que un generador estaba a punto de fallar. La tendencia de temperatura se muestra aquí, pero nuestra advertencia fue ignorada. Cuando el aerogenerador sufrió un fallo total, se modificó la operación de los otros dos aerogeneradores que mostraban un comportamiento similar, evitando el mismo destino. Lo que quiero destacar aquí es que los fallos pueden detectarse con meses de antelación. Esto te da tiempo para planificar la sustitución de componentes y reducir significativamente el tiempo de inactividad.

Aquí hay otro ejemplo. Se tomó una foto de grasa negra en un aerogenerador; originalmente era blanca. Varias semanas después, enviamos una advertencia, aunque no detectamos un aumento de temperatura en el rodamiento del rotor. Se pueden tomar medidas preventivas sencillas, que creo que Eric explicará mejor más adelante.

Todo esto se engloba bajo el paraguas del machine learning y el big data. Tomamos datos históricos y entrenamos una red neuronal basada en comportamientos pasados. Sabemos hasta qué punto podemos hacerlo bien porque tomamos conjuntos de datos de los datasets de entrenamiento y validación, que nos permiten hacer predicciones sobre la temperatura con una precisión de ±0,5 grados y sobre la producción de potencia con ±30 kW.

Tomamos la temperatura exterior, la velocidad del viento y la dirección del viento como parámetros de entrada para predecir la producción de potencia de un aerogenerador. Así podemos hacer predicciones muy precisas sobre el comportamiento de la producción de potencia e identificar pequeñas desviaciones, problemas de pitch o incidencias en el sistema de control. Podemos detectar cosas que antes no eran visibles.

Aquí se puede ver que la curva de potencia no se ajusta al estándar del fabricante, pero ha sido comparada con una simulación. Las pequeñas desviaciones son claramente visibles. En la parte inferior se puede ver la diferencia entre la simulación y los datos reales.

Ahora bien, un aspecto crucial es qué hacer con todos estos informes sobre anomalías, temperaturas elevadas, etc. Si tengo una cartera de varios cientos de aerogeneradores, es imposible comprobarlo todo. Lo que hacemos es recopilar retroalimentación constante de nuestros clientes sobre la relevancia de estas alertas. Con el tiempo, surge una puntuación de relevancia predicha mediante un sistema de calificación de 1 a 5 estrellas. En este ejemplo, la puntuación de relevancia aumentó antes de que el algoritmo marcara un problema, lo que pone de manifiesto la eficacia de este sistema.

De algún modo, el algoritmo ha reconocido que necesita prestar atención. Ha considerado algo relevante aquí. Esto es excelente para priorizar dentro de grandes carteras e identificar qué eventos requieren nuestra atención.

El Santo Grial, por así decirlo, es la predicción de modos de fallo, lo que hace que esta ponencia sobre la clasificación de daños sea especialmente interesante. Al final, quiero un análisis —no siempre realizado manualmente, sino preferiblemente automatizado— que indique las posibles causas, como una reducción del rendimiento.

Sin embargo, no siempre dispongo de toda la información necesaria. Puede que tenga algunos códigos de estado, pero pueden ser difíciles de interpretar. Asignar todo esto supone una cantidad enorme de trabajo. Así pues, lo que hacemos es aplicar etiquetas a los datos de nuestros clientes o a las anomalías que identifica nuestro sistema de detección. Luego damos una estimación de probabilidad de cómo etiquetaría eso un cliente futuro.

En este caso, vemos margen de mejora, pero ya vemos en naranja el aumento de cada parche, lo cual es tremendamente interesante como indicación inicial. Probablemente no tengamos que preocuparnos por el parche.

Dediquemos un momento a hablar de nuestra infraestructura de IA, que hemos desarrollado en cuatro etapas. Creemos que el sistema seguirá mejorando con el tiempo. La primera etapa implica la ingeniería de datos clásica: examinar los datos brutos y determinar cómo adquirirlos. En la segunda etapa, limpiamos los datos mediante métodos de IA o métodos estadísticos. Luego, en la tercera etapa, definimos el conjunto de entrenamiento para la detección de anomalías. Todo esto forma parte de la etapa de detección de anomalías, donde utilizamos redes neuronales tradicionales y otros métodos estadísticos para la detección de valores atípicos.

El transfer learning es especialmente importante. A veces no disponemos de muchos datos, por lo que aprendemos de conjuntos de datos más grandes. Por ejemplo, si un parque eólico acaba de construirse, todavía no tengo datos pero aun así necesito monitorización. Así que aprendemos de antemano a partir de instalaciones vecinas o de tipos similares, y luego entrenamos rápidamente el sistema para que comprenda cómo funciona esta nueva instalación.

La tercera etapa, que quizás es la más crucial, implica la clasificación o predicción de modos de fallo. Aquí utilizamos otra capa de IA que incorpora todos los datos disponibles, diferencias en los códigos de estado, anomalías y cualquier otra información que podamos encontrar para realizar esta predicción.

Nada de esto funcionaría si el proceso del cliente o la retroalimentación del equipo de servicio fallara. Por eso hemos invertido mucho tiempo y esfuerzo en diferenciar este proceso. La pregunta clave con miles de instalaciones es: ¿cómo podemos escalar esto? Priorizar las alarmas mediante IA es crucial, y otro tema importante que deberíamos abordar en la ronda final es cómo conseguir que el socio de servicio realmente mejore los eventos o incluso inicie acciones en la instalación.

Tener confianza en los datos y garantizar una tasa baja de falsos positivos son aspectos importantes. Nuestro objetivo es ser rápidos: enviamos una alarma en un plazo de 36 horas. Lo hacemos instalación por instalación. Por ejemplo, tenemos 4.000 redes en producción y recibimos una media de 120 alarmas por semana, etiquetadas por los clientes. Esto nos ha proporcionado una gran experiencia en la detección de fallos.

¿Adónde nos lleva todo esto? He traído aquí un artículo de periódico antiguo. Habla de profesores de matemáticas que estaban preocupados cuando se introdujeron las calculadoras, temiendo perder sus empleos. Por supuesto, sabemos que eso no ocurrió —sigue habiendo profesores de matemáticas—, pero las herramientas y los métodos de enseñanza han cambiado. De manera similar, los roles laborales están cambiando. Por ejemplo, el rol del operador técnico está cambiando más rápido de lo que podríamos pensar, pero no va a desaparecer —es importante subrayar esto.

¿Qué cambios preveo? La operación asistida por IA será una realidad, con la IA aconsejando dónde centrar la atención o qué acciones tomar. Al mismo tiempo, la toma de decisiones de alto nivel estará respaldada por herramientas que sopesen si merece la pena enviar un equipo de servicio o no. Es esencial mantener siempre la supervisión humana, especialmente cuando están en juego costes significativos.

Otro gran tema es el big data. Necesitamos alejarnos de los intervalos de datos de 10 minutos y avanzar hacia datos de 60 segundos o incluso segundo a segundo. Hay mucha más información y precisión en esto, y puede mejorar la granularidad de la monitorización. Por ejemplo, si estoy monitorizando un azimut que oscila de un lado a otro, no veré nada en intervalos de 10 minutos. Pero si quiero calcular la vida útil del motor de orientación, necesito mirar datos por minuto.

En los próximos cinco años, creemos que las instalaciones se controlarán en tiempo real. Esto significa que podemos considerar aspectos como: si un componente está completamente dañado y el precio de mercado de la electricidad es actualmente bajo, podemos reducir la producción. Alternativamente, si tengo un buen precio de mercado de la electricidad por la tarde y sé que tengo una avería, podría reducir la producción por la mañana y operar al máximo cuando el precio de mercado y las condiciones de viento sean favorables.

Podemos desplegar agentes capaces de aprender a gestionar en tiempo real estos factores en constante cambio, como el consumo y los precios de mercado de la electricidad. Estas tendencias también son perceptibles en el sector offshore, con muchos clientes y proyectos ya en marcha. Los grandes proyectos que se desarrollan offshore también ocurrirán onshore. Más responsabilidad recae sobre el operador en lugar del OEM debido a los grandes riesgos asociados, y los acuerdos de servicio son cada vez menos completos.

La automatización de procesos y decisiones, también con IA, ya es habitual en el sector offshore.

¡Gracias por vuestra atención!