Curvas de potencia eólica: modelado y evaluación del rendimiento predictivo

Abstract

Trabajo Fin de Máster en Big Data (2022-23). Tutor: Dr. D. Antonio Jesús Sánchez Fuentes. En la industria de la energía eólica, la curva de potencia es un elemento esencial que vincula la velocidad del viento a la potencia activa de los aerogeneradores. Esta relación es fundamental en diversas aplicaciones cruciales, como la selección de aerogeneradores, la estimación del factor de capacidad, el pronóstico de la energía eólica y el seguimiento del rendimiento de los parques eólicos. Para lograr una implementación efectiva de estas aplicaciones, es esencial contar con un modelo de curva de potencia preciso que se ajuste a las condiciones específicas de cada parque eólico En este proyecto, se propone el desarrollo de un algoritmo que aborde varios aspectos críticos en el procesamiento y modelado de datos relacionados con la energía eólica. Este algoritmo llevará a cabo un análisis exhaustivo de los datos, seleccionará los inputs óptimos, detectará valores atípicos, los procesará y aplicará técnicas de filtrado. A continuación, utilizará diversas técnicas de aprendizaje automático para modelar la curva de potencia. Además, categorizará las predicciones resultantes en tres niveles de rendimiento: alto, medio y bajo. Esto permitirá a los usuarios anticiparse a posibles problemas y aprovechar oportunidades de mejora en la operación de los aerogeneradores. La experimentación se ha llevado a cabo con un conjunto de datos anónimos, proporcionados de manera confidencial por un propietario de sistemas SCADA. Este conjunto de datos comprende 29 variables diferentes recopiladas a lo largo de 9 meses. Los datos corresponden a aerogeneradores del modelo AE-52 de 850 kW de potencia, fabricados por la empresa MADE. Los resultados obtenidos en este proyecto indican que el modelado de la curva de potencia desarrollado podría resultar altamente beneficioso para los usuarios cuando se implemente en entornos de producción. El algoritmo proporciona una aproximación precisa de la curva de potencia, y las predicciones alcanzan niveles de acierto superiores al 95% en la categoría de "Alto Rendimiento". Esto demuestra su utilidad en la monitorización y gestión eficiente de parques eólicos.

In the wind energy industry, the power curve is an essential element that connects wind speed to the active power of wind turbines. This relationship is crucial in various critical applications, such as wind turbine selection, capacity factor estimation, wind energy forecasting, and wind farm performance monitoring. To achieve effective implementation of these applications, it is essential to have an accurate power curve model that aligns with the specific conditions of each wind farm. In this project, the development of an algorithm is proposed to address several critical aspects in the processing and modeling of wind energy-related data. This algorithm will conduct a comprehensive data analysis, select optimal inputs, detect outliers, process and filter them, and then apply machine learning techniques to model the power curve. Furthermore, it will categorize the resulting predictions into three performance levels: high, medium, and low. This will enable users to anticipate potential issues and leverage improvement opportunities in wind turbine operation. The experimentation has been conducted using anonymous data provided confidentially by a SCADA system owner. This dataset comprises 29 different variables collected over a period of 9 months. The data corresponds to wind turbines of the AE-52 model with a capacity of 850 kW, manufactured by MADE. The results obtained in this project indicate that the developed power curve modeling could be highly beneficial for users when implemented in production environments. The algorithm provides an accurate approximation of the power curve, and the predictions achieve accuracy levels exceeding 95% in the "High Performance" category. This demonstrates its utility in the monitoring and efficient management of wind farms.