Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1.- INTRODUCCION
Las energas renovables han alcanzado una importancia relevante en la sociedad moderna, adems de un inevitable
incremento en un futuro inmediato. La causa fundamental de este auge es la necesidad de utilizar fuentes de energa
alternativa a los combustibles fsiles y libres de emisiones de CO 2 y contaminacin. Entre las energas renovables
existentes, cabe destacar el espectacular desarrollo e implantacin de la energa elica, un mercado que ha crecido muy
rpidamente en todo el mundo [1] y especialmente en Espaa [2], de tal forma que el parque de MW instalados y en
funcionamiento en Espaa en 2011 asciende a 21.673 MW (Fig. 1) [3]. Por este motivo cada vez se pone ms de
manifiesto la necesidad de mejorar y optimizar las tcnicas de mantenimiento aplicadas a estos sistemas de generacin
de energa elica [4, 5].
Pag. 1 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
60
10000 49,4
43,1
40
37,0
30,3
5000 23,2
18,4 20
15,8 14,7
10,6
7,8
5,1
0 0
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Aos
Dentro de los distintos tipos de averas que se pueden producir en un aerogenerador [6], las ms importantes en cuanto a
tiempo de parada y prdida de produccin son aqullas ligadas a fallos en alguno de los componentes principales del
aerogenerador, especialmente, en aqullas en las que se hace necesario el cambio de la multiplicadora del
aerogenerador. En la Fig. 2 se puede ver una maniobra de cambio de multiplicadora y se pude apreciar el trabajo y el
tiempo que supone, ya que se hace necesario la utilizacin de grandes gras para el montaje y desmontaje de la
multiplicadora y el eje principal, as como un trabajo previo de desacoplar y bajar el rotor completo, y por supuesto
mano de obra especializada. Adems hay que tener en cuenta que este tipo de maniobra slo se puede realizar con poco
viento, sobre todo por las limitaciones de seguridad que implica la bajada del rotor. En conclusin, el coste econmico
de la avera es elevado, y la deteccin previa de la misma podra suponer un considerable ahorro en la operacin.
Todo ello hace que cada vez se est invirtiendo mayor esfuerzo los aspectos relativos al mantenimiento de parques
elicos, buscando mejorar las predicciones respecto al estado de los componentes y al momento idneo para realizar los
trabajos de mantenimiento [7, 8]. Ello lleva a buscar formas de detectar problemas o averas en este tipo de
componentes a la mayor brevedad posible y, si es posible, aprovechando al mximo los datos de funcionamiento
suministrados por el propio aerogenerador, sin necesidad de incluir nuevos componentes o equipos especficos de
monitorizacin.
Pag. 2 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
2. MATERIAL Y MTODOS
Con esa idea en mente y pensando concretamente en las necesidades especficas de un promotor de parques elicos
(Grupo Elicas Riojanas-GER), se decidi realizar una investigacin que tuviese como objetivo predecir con suficiente
antelacin la posible avera de una multiplicadora en base a los datos disponibles durante el funcionamiento normal de
un aerogenerador. GER cuenta en la actualidad con 10 parques elicos instalados en la comunidad autnoma de La
Rioja, distribuidos en dos zonas geogrficas. Para facilitar el desarrollo de un sistema automatizado para la deteccin de
averas en estos aerogeneradores, lo primero que se requiere es centralizar y homogeneizar los datos recogidos de los
diferentes aerogeneradores. En la Fig. 3 se puede ver la estructura de comunicacin de desde los diferentes parques
hasta el centro de control de la empresa. Las comunicaciones se realizan mediante tecnologa SDH (Synchronous
Digital Hierarchy).
La transmisin de los diferentes datos de monitorizacin y control del funcionamiento del aerogenerador se realiza
mediante el estndar de comunicaciones industriales OPC (Ole for Proccess Control). En cada parque elico hay
instalado un sistema SCADA (Supervisory Control And Data Acquisition) local que cuenta con un servidor OPC para el
envo de los datos recogidos de los aerogeneradores. Luego esos datos son recibidos, almacenados y analizados en un
servidor central en las oficinas de la empresa.
2.2.- METODOLOGA
El objetivo planteado es desarrollar una metodologa que nos permita conocer o detectar funcionamientos anmalos en
determinados componentes principales del aerogenerador. A lo largo de este artculo se ha centrado el estudio en el
funcionamiento de la multiplicadora, pero igualmente se podra extender el estudio a otros componentes principales
como puede ser el generador, pues la metodologa se plantea para cualquiera de los elementos.
Los pasos propuestos en esta metodologa pasan por estudiar, conocer y describir los datos de entrada con los que
contamos para modelar el comportamiento del aerogenerador o del componente especfico del mismo bajo estudio [9,
10].
El siguiente paso es seleccionar, como parmetros de entrada del modelo, aquellos datos que aporten una mayor y ms
relevante informacin para la definicin del mismo, de tal forma que se pueda reducir el nmero de parmetros y
optimizar el modelo que se va a generar.
Pag. 3 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
A continuacin se define un modelo de funcionamiento normal del aerogenerador o del componente en estudio,
utilizando datos correspondientes a un periodo de tiempo en el que no existe ninguna anomala en su funcionamiento.
Y por ltimo se establecen sistemas que permitan detectar desviaciones del funcionamiento respecto al modelo
establecido en el paso anterior, as como generar las alarmas correspondientes para avisar a los responsables de
mantenimiento de la empresa.
A continuacin se analizan con ms detalle cada uno de estos pasos de la metodologa propuesta:
El objetivo inicial planteado es buscar un parmetro que permita detectar el funcionamiento anmalo de la
multiplicadora. Los parmetros disponibles en este tipo de aerogenerador, de los cuales se recogen y almacenan
medidas cada 10 minutos, son los que se pueden ver en la Tabla 1.
Pag. 4 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
Una vez definida la variable que se va a utilizar para modelar el comportamiento de la multiplicadora, el siguiente paso
es analizar qu parmetros de entrada permiten generar un modelo que se ajuste mejor. Para ello se recurre a realizar
una clasificacin mediante boosting [11, 12], con los resultados que se pueden ver en la Fig. 4 y la Tabla 2. El boosting
es una tcnica reciente de minera de datos mediante arboles de regresin que ha mostrado un xito considerable a la
hora de mejorar la precisin de las predicciones. Bsicamente lo que busca es aplicar un mtodo numrico de
optimizacin para minimizar la funcin de perdida de precisin en la prediccin del modelo generado. Para el caso que
nos ocupa, se busca modelar el comportamiento de la temperatura de la multiplicadora, por la tanto aplicando la tcnica
de boosting a los parmetros de entrada seremos capaces de valorar qu parmetros tienen un mayor peso a la hora de
mejorar la exactitud de la prediccin.
Pag. 5 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
Tras analizar los resultados obtenidos se ha decidido filtrar aquellos parmetros que estn por debajo del 75% en cuanto
a su importancia a la hora de predecir la temperatura de la multiplicadora. De esta forma reduciremos el nmero de
parmetros de entrada sin perder excesiva precisin en el modelo generado. Los parmetros finalmente utilizados para
la realizacin del modelo han sido los 15 que se pueden ver en la Tabla 3.
Canal Descripcin
001 Potencia
004 Potencia Reactiva
008 Corriente Fase L1
009 Corriente Fase L2
010 Corriente Fase L3
027 Par Motor, Valor Real
028 Par Motor, Valor Solicitado
032 Temperatura Generador 1
033 Temperatura Generador 2
035 Temperatura Rodamiento B
039 Temperatura Aire en Generador
040 Temperatura Rodamiento Multiplicadora
049 Temperatura Transformador 1
050 Temperatura Transformador 2
051 Temperatura Transformador 3
Tabla 3: Parmetros de entrada considerados para la realizacin del modelo
Para el desarrollo del modelo de comportamiento de funcionamiento normal de la multiplicadora se toman como
parmetros de entrada los especificados en la Tabla 3 durante un periodo de un ao. Como es lgico, se buscan datos de
un ao en el que el funcionamiento de la multiplicadora haya sido correcto, es decir, sin averas reseables en el
aerogenerador debidas a fallos relacionados con la multiplicadora, como pueden ser elevada temperatura del aceite de la
multiplicadora, generacin de espuma, colmatacin de los filtros de partculas, etc.
El modelo (ver Fig. 5) se ha realizado con ayuda de programa de minera de datos con licencia GNU (KNIME 2.3.4)
mediante el entrenamiento de una red neuronal multicapa (MLP) [13, 14]. Las redes neuronales son sistemas de
inteligencia artificial que intentan imitar al cerebro humano para resolver problemas especficos. Para ello en un primer
paso buscan aprender de una serie de ejemplos que definan el problema al que se enfrentan. Una vez esta red neuronal
ha sido entrenada, no slo ser capaz de repetir el comportamiento aprendido para unos datos de entrada especficos,
sino que ante entradas nuevas ser capaz de aportar una respuesta nueva que se ajuste al comportamiento del sistema
que se est modelando.
Pag. 6 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
Fig. 5: Programa de minera de datos para la creacin del modelo mediante redes neuronales
Por ltimo, una vez generado el modelo, el ltimo paso ser ir comprobando cmo evoluciona la temperatura real de la
multiplicadora frente a la prevista por el modelo. De esa manera, cuando se observe un aumento constante de la
temperatura real respecto a la prevista, especialmente en periodos de produccin nominal del aerogenerador, podr
deducirse la posibilidad de estar ante un signo claro de deterioro de la multiplicadora (ver Fig. 6). A partir de ese
momento habr que seguir vigilando la evolucin de este incremento de temperatura y realizar las acciones pertinentes
de mantenimiento. Por ejemplo, se puede realizar una video-endoscopa para detectar cul es la fuente de ese deterioro
de la multiplicadora (perdida de material en los dientes de los engranajes, bandas de rodadura en los rodamientos, etc.).
3.- RESULTADOS
Una vez establecida la metodologa, el ltimo paso es aplicarla a casos reales y comprobar su funcionamiento. Para
realizar el estudio prctico se ha escogido un aerogenerador especfico correspondiente al parque elico empleado para
el estudio, al que denominaremos G1, nombrando los diferentes molinos con ese nombre seguido de la letra de
identificacin.
Pag. 7 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
Fig. 7: Error de la red neuronal en cada iteracin para el aerogenerador especfico G1-A
Para comprobar el error cometido (ver Fig. 8) con el modelo generado recurrimos al clculo del error medio absoluto y
la desviacin estndar del error absoluto, as como al error relativo y a la desviacin estndar del mismo (ver Tabla 4),
segn las definiciones que se pueden ver a continuacin:
Siendo el valor previsto por el modelo, el valor real, y N el nmero de datos empleados para la
comprobacin.
GI-A
MAE 1,27E-02
Std_MAE 3,31E-17
RE 2,28E+00
Std_RE 8,21E-01
Pag. 8 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
Para analizar el deterioro de la multiplicadora recurrimos a la comparativa de las desviaciones del modelo, en los casos
en los que la temperatura real de la multiplicadora supera la temperatura prevista por el modelo (ver Fig 9). Como se
puede apreciar, se produce un notable aumento del nmero de datos que se desvan por encima del 0,05, mostrando el
deterioro que exista en la multiplicadora antes de producirse una avera que llevo a la necesidad de sustituirla por otra
nueva.
Pag. 9 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com
PREDICCIN Y DETECCIN DE AVERAS EN AEROGENERADORES A
PARTIR DE DATOS SCADA TECNOLOGA
INDUSTRIAL
Rev. 1 del 23/nov/2011 E. Martnez-Cmara, E. Jimnez-Macas, J. Blanco-Fernndez, J.C. Senz-Dez Ingeniera de
mantenimiento
4.- CONCLUSIONES
A lo largo de este artculo se ha descrito una metodologa aplicable a parques elicos en funcionamiento y que permite
aprovechar los datos existentes recogidos mediante el sistema SCADA de los aerogeneradores, para realizar un anlisis
del estado de funcionamiento de uno de los componentes principales del aerogenerador como es la multiplicadora. La
combinacin de un estudio detallado de los parmetros ptimos para modelizar el comportamiento especfico de la
temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar
de forma eficaz el modelo del comportamiento normal de una multiplicadora sin deterioro en su funcionamiento. A
partir de ese modelo podemos ir analizando de forma peridica el posible proceso de deterioro de la multiplicadora y
actuar sobre ella antes de que se produzca una avera irreparable y que obligue a su sustitucin. La metodologa
propuesta se ha testado en un parque elico en funcionamiento con resultados satisfactorios.
BIBLIOGRAFA
[1] Michalak, P., Zimny, J. Wind energy development in the world, Europe and Poland from 1995 to 2009; Current status and future perspectives.
Renewable and Sustainable Energy Reviews. 2011. Vol.15-5 p. 2330-2341. DOI: http://dx.doi.org/10.1016/j.rser.2011.02.008
[2] Gmez, A., Zubizarreta, J., Dopazo, C., Fueyo, N. Spanish energy roadmap to 2020: Socioeconomic implications of renewable targets.
Energy. 2011. Vol.36-4 p. 1973-1985. DOI: http://dx.doi.org/10.1016/j.energy.2010.02.046
[3] Espaa. Asociacin Empresaria Elica (AEE). Anuario Elica 2012. AEE. Madrid. 2012.
[4] Tian, Z., Jin, T., Wu, B., Ding, F. Condition based maintenance optimization for wind power generation systems under continuous monitoring.
Renewable Energy. 2011. Vol.36-5 p. 1502-1509. DOI: http://dx.doi.org/10.1016/j.renene.2010.10.028
[5] Kovcs, A., Erdos, G., Viharos, Z.J., Monostori, L. A system for the detailed scheduling of wind farm maintenance. CIRP Annals -
Manufacturing Technology. 2011. DOI: http://dx.doi.org/10.1016/j.cirp.2011.03.049
[6] Daneshi-Far, Z., Capolino, G.-A., Henao, H. Review of failures and condition monitoring in wind turbine generators. 19th International
Conference on Electrical Machines, ICEM 2010. 2010. Art. no. 5608150. DOI: http://dx.doi.org/10.1109/ICELMACH.2010.5608150
[7] Koochaki, J., Bokhorst, J.A.C., Wortmann, H., Klingenberg, W. Condition based maintenance in the context of opportunistic maintenance.
International Journal of Production Research. 2012. Vol.50-23 p. 6918-6929. DOI: http://dx.doi.org/10.1080/00207543.2011.636924
[8] Byon, E., Prez, E., Ding, Y., Ntaimo, L. Simulation of wind farm operations and maintenance using discrete event system specification.
Simulation: Transactions of The Society for Modeling and Simulation International. 2011. Vol.87-12 p. 1093-1117. DOI:
http://dx.doi.org/10.1177/0037549710376841
[9] Kusiak, A., Verma, A. Prediction of status patterns of wind turbines: A data-mining approach. Journal of Solar Energy Engineering,
Transactions of the ASME. 2011. Vol.133-1 art. no. 011008. DOI: 10.1115/1.4003188
[10] Tar, K., Szegedi, S. A statistical model for estimating electricity produced by wind energy. Renewable Energy. 2011. Vol.36-2 p. 823-828.
DOI: http://dx.doi.org/10.1016/j.renene.2010.06.032
[11] J. H. Friedman, Stochastic gradient boosting. Computational Statistics & Data Analysis. 2002. Vol.38-4 p. 367378. DOI:
http://dx.doi.org/10.1016/S0167-9473(01)00065-2
[12] J. H. Friedman, Greedy function approximation: A gradient boosting machine. Annals of Statistics. 2001. Vol.29-5 p. 11891232. DOI:
http://dx.doi.org/10.1214/aos/1013203451
[13] Schlechtingen, M., Ferreira Santos, I. Comparative analysis of neural network and regression based condition monitoring approaches for wind
turbine fault detection. Mechanical Systems and Signal Processing. 2011. Vol.25-5 p. 1849-1875. DOI:
http://dx.doi.org/10.1016/j.ymssp.2010.12.007
[14] Alvarez-Huerta A, Gonzalez-Miguelez R, Garcia-Metola D, Noriega-Gonzlez A. Prediccin de la temperatura de la contencin primaria de
una central nuclear mediante redes neuronales". DYNA. 2011. Vol.86-4 p. 467-473. DOI: http://dx.doi.org/10.6036/4025
Pag. 10 / 10
Publicaciones DYNA SL -- c) Mazarredo n69 -3 -- 48009-BILBAO (SPAIN)
Tel +34 944 237 566 www.dyna-energia.com - email: info@dyna-energia.com