Uso de técnicas de minería de datos para la detección de anomalías y predicción de la producción en una turbina eólica

Abstract

En las últimas décadas se ha experimentado un importante incremento en la generación de electricidad procedente de energías renovables, especialmente la eólica, lo que convierte este sector en uno de especial interés. Este trabajo valida el uso de algoritmos de minería de datos para la detección de anomalías en tareas de mantenimiento preventivo de turbinas, usando solamente las variables de control, sin necesidad de sistemas CMS específicos. Se han aplicado y comparado algoritmos que determinan las relaciones entre parámetros durante el funcionamiento normal, como árboles aleatorios, potenciación de gradiente, máquinas de soporte vectorial para regresión y redes neuronales multicapa. Para ello hemos usado un histórico de datos propietario. Se han simulado dos de los fallos más comunes, la pérdida de potencia y la desalineación. Se han aplicado técnicas de detección de anomalías basadas en métodos estadísticos y autoencoders. Los métodos estadísticos son los que mejor resultado han dado. Con una producción por encima del 20% nominal, son capaces de detectar una pérdida de potencia del 10% con una precisión del 100% y una sensibilidad del 97%. También se han validado y comparado métodos de predicción de la potencia usando solamente los datos del pasado, como modelos auto regresivos, LSTM, y ARIMA, siendo estos últimos los que mejor resultado han dado. Como conclusión, este estudio demuestra la viabilidad de usar técnicas de minería de datos, para la detección de anomalías y la anticipación al fallo en sistemas que no disponen de CMS específico, así como la predicción de producción usando datos del pasado.

In recent years, there has been a significant increase in the generation of electricity from renewable energies, especially wind power. This raises special interest on this sector. The present work validates the use of data mining algorithms for anomaly detection and preventive maintenance tasks on turbines. It uses only SCADA control variables, it does not require specific CMS system. The project has validated and compared algorithms determining relationships between parameters during regular operation. These algorithms included random trees, gradient boosting, support vector machines for regression, and multilayer neural networks. We have made use of a proprietary data log for these purposes. Power loss and misalignment are common faults on wind turbines. We have simulated them while applying anomaly detection techniques. These were based on auto encoders and statistical methods, with the latter achieving better results. These techniques were able to detect a 10% power loss with energy production levels above 20% of the nominal value, performing with 100% precision level and showing 97% of sensitivity. Power prediction based on historic series has also been validated and compared using different methods such as auto regression, LSTM, and ARIMA, giving this one the best result. This work has proved and validated the feasibility in the use of data mining techniques for maintenance tasks in wind turbines. We anticipated failures by detecting anomalies in systems without specific CMS, and predicted production levels using historic data.

En les últimes dècades s'ha experimentat un important increment en la generació d'electricitat procedent d'energies renovables, especialment l'eòlica, la qual cosa converteix aquest sector en un d'especial interès. Aquest treball valguda l'ús d'algorismes de mineria de dades per a la detecció d'anomalies en tasques de manteniment preventiu de turbines, usant solament les variables de control, sense necessitat de sistemes CMS específics. S'han aplicat i comparat algorismes que determinen les relacions entre paràmetres durant el funcionament normal, com a arbres aleatoris, potenciació de gradient, màquines de suport vectorial per a regressió i xarxes neuronals multicapa. Per a això hem usat un històric de dades propietari. S'han simulat dos de les fallades més comunes, la pèrdua de potència i la desalineació. S'han aplicat tècniques de detecció d'anomalies basades en mètodes estadístics i autoencoders. Els mètodes estadístics són els que millor resultat han donat. Amb una producció per sobre del 20% nominal, són capaços de detectar una pèrdua de potència del 10% amb una precisió del 100% i una sensibilitat del 97%. També s'han validat i comparat mètodes de predicció de la potència usant solament les dades del passat, com a models acte regressius, LSTM, i ARIMA, sent aquests últims els que millor resultat han donat. Com a conclusió, aquest estudi demostra la viabilitat d'usar tècniques de mineria de dades, per a la detecció d'anomalies i l'anticipació a la fallada en sistemes que no disposen de CMS específic, així com la predicció de producció usant dades del passat.