ES2835798T3 - Procedimiento y sistema para analizar un estado de un aerogenerador - Google Patents

Abstract

Procedimiento para analizar un estado de funcionamiento de un aerogenerador (30, 31), desarrollándose en una fase de aprendizaje al menos tres modelos de clasificación (24, 25, 26) diferentes y analizándose en una fase de trabajo datos de trabajo (32) del aerogenerador (30, 31) con cada uno de los modelos de clasificación (24, 25, 26), y asignándose el aerogenerador (30, 31) a una categoría (33, 34) sobre la base de un criterio de mayoría de los modelos de clasificación (24, 25, 26), comprendiendo la fase de aprendizaje las siguientes etapas:

Description

DESCRIPCIÓN

Procedimiento y sistema para analizar un estado de un aerogenerador

La invención se refiere a un procedimiento y a un sistema para analizar un estado de funcionamiento de un aerogenerador.

Los aerogeneradores generalmente están configurados de manera que pueden generar una determinada cantidad de energía eléctrica con una determinada fuerza del viento. Si la energía eléctrica realmente generada se encuentra por debajo del valor esperado, entonces esto puede tener diferentes causas. Por ejemplo, puede ser que el aerogenerador no tenga un flujo libre, de manera que, en realidad, solo se dispone de una potencia eólica menor para el accionamiento del rotor. Sin embargo, también es posible que determinados parámetros del aerogenerador no estén ajustados correctamente y, por este motivo, la potencia eólica completa no se convierta en energía eléctrica. No es fácil distinguir entre estas diferentes causas. El documento WO 2016/077997 A1 revela un procedimiento y un sistema para la supervisión del estado de funcionamiento de un aerogenerador, en el cual se recopilan datos de SCADA (siglas en inglés para "Supervisory Control And Data Acquisition", control de supervisión y adquisición de datos) así como informes de aerogeneradores y se usan para entrenar un modelo general así como una pluralidad de modelos individuales, suministrándose los datos de SCADA en tiempo real a continuación a los modelos. El documento US 2011/0313726 A1 revela un sistema de mantenimiento que depende del estado para aerogeneradores, en el que se determinan y evalúan los parámetros de rendimiento de un aerogenerador y las desviaciones en los parámetros de rendimiento de los valores esperados para establecer si es necesario un mantenimiento del aerogenerador.

La invención se basa en el objetivo de presentar un procedimiento y un sistema para analizar el estado de funcionamiento de un aerogenerador que no es fácilmente accesible para un análisis directo. El objetivo se resuelve con las características de las reivindicaciones independientes. En las reivindicaciones secundarias están indicadas formas de realización ventajosas.

En el procedimiento de acuerdo con la invención, en una fase de aprendizaje se desarrollan al menos tres modelos de clasificación diferentes. En una fase de trabajo, se analizan los datos de trabajo del aerogenerador con cada uno de los modelos de clasificación. El aerogenerador se asigna a una categoría sobre la base de un criterio de mayoría de los modelos de clasificación.

En una fase de aprendizaje, se determinan los primeros datos de aprendizaje para un primer generador de modelos, de manera que el primer generador de modelos calcula un primer modelo de clasificación. Los segundos datos de aprendizaje se determinan para un segundo generador de modelos, de manera que el segundo generador de modelos calcula un segundo modelo de clasificación. Los terceros datos de aprendizaje se determinan para un tercer generador de modelos, de manera que el tercer generador de modelos calcula un tercer modelo de clasificación.

Los datos de aprendizaje se derivan en cada caso a partir de una pluralidad de conjuntos de datos de aprendizaje, estando asignado cada conjunto de datos de aprendizaje a un aerogenerador. Cada conjunto de datos de aprendizaje comprende una información de categoría sobre el aerogenerador. Cada conjunto de datos de aprendizaje comprende un primer valor de parámetro y un segundo valor de parámetro que depende del primer valor de parámetro. La derivación de los datos de aprendizaje a partir de los conjuntos de datos de aprendizaje se realiza sobre la base de un criterio de clasificación que representa la dependencia entre el primer valor de parámetro y el segundo valor de parámetro. Además, la información de categoría se transfiere preferentemente a los datos de aprendizaje a partir de cada conjunto de datos de aprendizaje.

Un modelo de clasificación incluye un algoritmo que lee datos de trabajo de un aerogenerador como datos de entrada, los analiza y entrega al menos una información de categoría como datos de salida. La información de categoría indica a qué categoría está asignado un conjunto de datos o el aerogenerador asociado.

Un generador de modelos incluye un algoritmo que, basado en datos de aprendizaje, crea un modelo de clasificación adaptado al caso de aplicación específico, es decir, a las condiciones límite especificadas o especificables tales como tipo de aerogenerador, condiciones de ubicación, conjuntos de datos especificados, criterios de clasificación especificados o especificables y/o categorías especificadas o especificables.

Criterio de mayoría significa, en el caso de dos categorías especificadas, que el aerogenerador se asigna según el principio de mayoría a la categoría que la mayoría de los diferentes modelos de clasificación ha asignado al aerogenerador. En el caso de más de dos categorías especificadas, el principio de mayoría también puede comprender un cálculo de la categoría más probable según la distribución existente de los resultados de los distintos modelos de clasificación.

El criterio de clasificación comprende preferentemente una regla de cálculo, mediante la cual, a partir de un conjunto de datos, se puede determinar un indicador, el cual presenta características típicas dependiendo de la asociación del conjunto de datos a una de las categorías. La forma de definir el criterio de clasificación se puede derivar preferentemente mediante cálculos de modelos/simulaciones, a partir de consideraciones teóricas y/o empíricamente a partir de mediciones de campo. Por medio de la definición del criterio de clasificación se establece mediante qué etapas de cálculo se determina el indicador a partir del conjunto de datos. El cálculo del indicador para un conjunto de datos determinado se realiza preferentemente por medio de la aplicación de operaciones matemáticas simples al conjunto de datos. Preferentemente, el indicador se puede derivar del conjunto de datos por medio de un cálculo directo, así, por medio de un cálculo que esté libre de valores estimados, predicciones e incertidumbres comparables.

En la fase de aprendizaje, se puede determinar un indicador de cada conjunto de datos de aprendizaje mediante el criterio de clasificación. Los datos de aprendizaje que se basan en una pluralidad de conjuntos de datos de aprendizaje pueden comprender el indicador y la información de categoría asociada para cada uno de los conjuntos de datos de aprendizaje.

Los diferentes generadores de modelos se pueden alimentar con datos de aprendizaje idénticos. También es posible el uso de diferentes datos de aprendizaje para los generadores de modelos. Esto comprende la posibilidad de que los datos de aprendizaje se determinen en cada caso sobre la base de diferentes conjuntos de datos de aprendizaje. Esto comprende la posibilidad de que los datos de aprendizaje se determinen sobre la base de diferentes criterios de clasificación.

En la fase de trabajo, un indicador se puede derivar de un conjunto de datos de trabajo sobre la base del criterio de clasificación. Los datos de trabajo alimentados al modelo de clasificación pueden comprender el indicador o, en una forma de realización especial, pueden constar exclusivamente del indicador. El criterio de clasificación para cada modelo de clasificación es preferentemente idéntico al criterio de clasificación que se ha usado en la fase de aprendizaje para generar el modelo de clasificación.

En el caso del procedimiento de acuerdo con la invención, los datos de aprendizaje se introducen en cada uno de los generadores de modelos a través de una pluralidad de aerogeneradores. En consecuencia, cada uno de los modelos de clasificación permite un análisis que se basa en la comparación de varios aerogeneradores. Al no llevarse a cabo el análisis con únicamente un modelo de clasificación, se puede aumentar la fiabilidad de la declaración. Se supone que el resultado que se ha determinado por la mayoría de los modelos de clasificación es correcto. Por el contrario, un resultado que únicamente se ha determinado por una minoría de los modelos de clasificación se considera incorrecto.

En la fase de aprendizaje, los generadores de modelos se abastecen de las informaciones con las cuales se puede crear un modelo de clasificación (datos de aprendizaje). Los datos de aprendizaje determinados para un generador de modelos se basan en una pluralidad de conjuntos de datos de aprendizaje, representando cada conjunto de datos informaciones sobre un aerogenerador individual. En el conjunto de datos de aprendizaje están contenidos un primer valor de parámetro y un segundo valor de parámetro que depende del primer valor de parámetro. El primer valor de parámetro se puede relacionar con una condición ambiental a la que está expuesto el aerogenerador (parámetros ambientales). El segundo valor de parámetro se puede relacionar con un estado de funcionamiento del aerogenerador (parámetros de funcionamiento). La dependencia entre los valores de parámetro puede consistir, por ejemplo, en el hecho de que cuando cambia el valor del primer parámetro, también cambia el valor del segundo parámetro. Este es el caso, por ejemplo, cuando el primer valor de parámetro representa la velocidad del viento y el segundo valor de parámetro representa la potencia de salida del aerogenerador. Si la fuerza del viento cambia (parámetro independiente), la energía eléctrica generada cambia (parámetro dependiente).

En el caso de los valores de parámetro, puede tratarse de valores medidos individuales, así, de en cada caso un valor medido en un momento determinado. Se puede obtener una información más significativa si, en el caso de los valores de parámetro, se trata de valores promedio de una serie temporal, por ejemplo, de valores promedio de 10 minutos. También puede ser ventajoso si el primer valor de parámetro y el segundo valor de parámetro comprenden en cada caso una pluralidad de valores que se han registrado en momentos diferentes.

Con los modelos de clasificación se debería posibilitar una declaración sobre a cuál de varias categorías posibles está asignado un conjunto de datos determinado. Para que el modelo de clasificación pueda hacer esta declaración, una información de categoría se pone a disposición del generador de modelos en la fase de aprendizaje con cada conjunto de datos de aprendizaje. La información de categoría indica a cuál de las categorías posibles está asignado un conjunto de datos determinado de los datos de aprendizaje. Preferentemente, para cada una de las categorías entre las cuales distingue el procedimiento de acuerdo con la invención, se incorpora a los datos de aprendizaje al menos un conjunto de datos de aprendizaje. En particular, para cada una de las categorías, puede estar incorporada a los datos de aprendizaje una pluralidad, en particular una multitud mayor, de conjuntos de datos. Se denomina multitud mayor a al menos 5 conjuntos de datos, preferentemente al menos 10 conjuntos de datos.

Los modelos de clasificación pueden estar configurados de manera que distingan entre dos categorías. Por ejemplo, se consideran pares de categorías tales como "normal" y "notable", "estado de funcionamiento óptimo" y "estado de funcionamiento no óptimo", "desalineación de la góndola sí" y "desalineación de la góndola no" y similares. En los datos de aprendizaje están incorporados preferentemente conjuntos de datos de aprendizaje ejemplares de cada una de las categorías, de manera que los conjuntos de datos representan características típicas de las respectivas categorías. Todos los generadores de modelos se pueden alimentar con los mismos datos de aprendizaje. También es posible el uso de diferentes datos de aprendizaje para los distintos generadores de modelos. Como alternativa, los modelos de clasificación también se pueden configurar de manera que posibiliten una distinción entre varias categorías a través de un resultado cuantificable. En este caso, se consideran entonces, por ejemplo, categorías tales como "sin desalineación de la góndola", "desalineación débil de la góndola" y "desalineación grave de la góndola".

En la fase de trabajo del procedimiento de acuerdo con la invención, la información sobre a qué categoría debe asignarse un determinado conjunto de datos inicialmente no está disponible. Más bien, esta información solamente debería obtenerse a partir del conjunto de datos por medio de la utilización de los modelos de clasificación. Para que esto sea posible, se debe incorporar al modelo de clasificación un criterio de clasificación, mediante el cual sea posible una decisión entre las categorías.

El criterio de clasificación se puede basar en una relación determinada sobre la base de cálculos de modelos o consideraciones teóricas. Sobre la base de la relación, se puede definir una regla de cálculo para determinar un indicador a partir de un conjunto de datos. La relación y la regla de cálculo resultante deberían seleccionarse de manera que las diferencias típicas entre los conjuntos de datos se hagan evidentes, según a cuál de las categorías esté asignado un conjunto de datos.

Una relación ejemplar a partir de la que se puede derivar un criterio de clasificación es el diferente comportamiento de rendimiento de un aerogenerador cuando tiene lugar un flujo levemente inclinado ya sea desde la derecha o desde la izquierda. Por medio de la torsión que recibe el viento a través del rotor, se produce una curva de rendimiento ligeramente diferente con un flujo ligeramente inclinado desde la izquierda que con un flujo ligeramente inclinado desde la derecha. Así, se puede derivar un criterio de clasificación a partir de la diferencia entre las dos curvas.

En un perfeccionamiento de la invención, este criterio de clasificación también es apropiado para la clasificación cuantitativa de un flujo inclinado.

A modo de ejemplo, el intervalo del área de flujo inclinado de /-25° se puede dividir en cinco sectores de igual tamaño. La diferencia en las curvas de rendimiento entre el flujo inclinado positivo y negativo medido en un aerogenerador posibilita, en una evaluación suficientemente precisa, una declaración sobre en cuál de las cinco categorías de flujo inclinado mencionadas (sin flujo inclinado, flujo inclinado débil o fuerte hacia la izquierda o derecha) se encuentra el aerogenerador.

Del mismo modo, la diferencia entre la curva de rendimiento actual respecto a la curva de rendimiento sin flujo inclinado también puede representar un criterio de clasificación ejemplar para un flujo inclinado. Del mismo modo, en lugar de una comparación de la curva de rendimiento, la comparación se puede llevar a cabo de manera ventajosa a nivel del rendimiento energético. El rendimiento energético, que en última instancia no es más que la integración de la potencia a lo largo del tiempo, es en particular ventajoso como criterio en lugares con fuertes turbulencias, porque la integración a lo largo del tiempo tiene un fuerte efecto promedio. Un criterio de clasificación ventajoso adicional puede ser la aplicación del coeficiente de potencia Cp del rotor sobre la velocidad del viento o incluso solo la determinación del coeficiente de potencia máximo Cp_máx en comparación con Cp_máx sin flujo inclinado. En casi todos los aerogeneradores se encuentran dos anemómetros dispuestos uno al lado del otro a una distancia considerable sobre el techo de la góndola. La diferencia en la velocidad del viento medida por estos anemómetros ha demostrado ser asimismo un criterio de clasificación significativo para la detección de flujos inclinados.

Con el generador de modelos se puede llevar a cabo un procedimiento para el reconocimiento de patrones en los datos de aprendizaje. El reconocimiento de patrones se puede aplicar a los indicadores que se han derivado de los conjuntos de datos de aprendizaje sobre la base del criterio de clasificación, pudiéndose recurrir a la información de categoría contenida en los datos de aprendizaje para diferenciar entre las categorías. Los generadores de modelos de este tipo así como los algoritmos en los que se basan son conocidos en principio. Distintos algoritmos en los que se pueden basar los generadores de modelos se conocen, por ejemplo, con los nombres árbol de decisión, bosque aleatorio, clasificador Naive Bayes, máquina de vectores de soporte y redes neuronales. Una ventaja del uso de indicadores es un efecto que se parece a un filtro de paso bajo. Los conjuntos de datos de aprendizaje de frecuencia relativamente alta se agregan por medio del cálculo de los indicadores, mediante lo cual los datos presentan menos ruido. Por lo tanto, el conjunto de datos así preparado contiene menos datos, pero más significativos, que entran en los datos de aprendizaje. Esto también se refleja en el resultado del análisis, que promete tasas de error más bajas en la clasificación mediante el uso de indicadores específicos del problema. La cantidad reducida de datos tiene además la ventaja de que el tiempo de cálculo en los generadores de modelos es por regla general significativamente más corto que con un cálculo que se lleva a cabo sobre la base de conjuntos de datos de aprendizaje completos.

El procedimiento de acuerdo con la invención se lleva a cabo preferentemente de manera que los generadores de modelos se basen en diferentes algoritmos. En particular, cuando se usan tres generadores de modelos, los generadores de modelos se pueden basar en tres algoritmos diferentes de los algoritmos que se acaban de mencionar. El procedimiento se lleva a cabo preferentemente con un número impar de generadores de modelos/modelos de clasificación. Por ejemplo, es posible el uso de cinco generadores de modelos/modelos de clasificación, basándose los generadores de modelos en los cinco algoritmos mencionados anteriormente.

Los modelos de clasificación generados con los diferentes algoritmos tienen diferentes fortalezas y debilidades. Con cada uno de los modelos, se debe contar con que los conjuntos de datos individuales no se puedan clasificar como válidos durante la fase de trabajo. En el procedimiento de acuerdo con la invención, esta incertidumbre se compensa por medio del uso de al menos tres modelos de clasificación diferentes. Si una mayoría de los modelos de clasificación asignan el conjunto de datos a una categoría determinada, entonces se supone que esta categoría es correcta.

Si se aplica un modelo de clasificación a los datos de trabajo de un aerogenerador en la fase de trabajo, entonces el resultado de la evaluación puede ser un valor de probabilidad de que el aerogenerador se puede asignar a una categoría determinada. Para hacer una distinción entre dos categorías sobre la base del valor de probabilidad, se puede establecer un valor umbral. En el caso de un valor de probabilidad por encima del valor umbral, el conjunto de datos se puede asignar a una primera categoría; en el caso de un valor de probabilidad por debajo del valor umbral, el conjunto de datos se puede asignar a una segunda categoría. En un perfeccionamiento de la invención, también se puede derivar del valor de probabilidad una declaración sobre la fiabilidad de la clasificación.

El conjunto de datos de trabajo que se evalúa en la fase de trabajo está compuesto preferentemente de forma análoga a los conjuntos de datos de aprendizaje de la fase de aprendizaje, aunque no comprendiendo el conjunto de datos de trabajo, a diferencia de la fase de aprendizaje, ninguna información de categoría. Sin embargo, el conjunto de datos de trabajo comprende un primer valor de parámetro y un segundo valor de parámetro. En la fase de trabajo, a partir del conjunto de datos de trabajo que se va a analizar, se calculan en primer lugar mediante el criterio de clasificación los datos de trabajo que pueden procesar los modelos de clasificación. Los datos de trabajo se evalúan con los tres modelos de clasificación, de manera que cada modelo de clasificación asigna el conjunto de datos de trabajo a una de las categorías.

La asignación final a una de las categorías se realiza sobre la base de un criterio de mayoría. Así, el conjunto de datos se asigna a la categoría que determina la mayoría de los modelos de clasificación. Cuando el procedimiento se lleva a cabo con un número impar de modelos de clasificación y hay que tomar una decisión entre dos categorías, el criterio de mayoría siempre conduce a un resultado claro. Si el procedimiento se lleva a cabo con un número par de modelos de clasificación, entonces se requiere un criterio adicional en el caso de que se determinen diferentes categorías a partir del mismo número de modelos de clasificación.

El procedimiento de acuerdo con la invención es apropiado para una optimización continua de los modelos de clasificación. Por ejemplo, si un determinado conjunto de datos se ha asignado a una categoría con una determinada probabilidad (por ejemplo, el 70 %) durante la fase de trabajo (por ejemplo, la categoría "notable"), entonces un técnico de servicio puede verificar si esta asignación es correcta. Sobre la base de la categoría establecida por el técnico de servicio, el conjunto de datos en cuestión se puede usar como un conjunto de datos de aprendizaje, estableciéndose la información de categoría correspondientemente a la categoría determinada por el técnico de servicio. Así, el modelo se puede mejorar cada vez más mediante la generación adicional continua de datos de aprendizaje, de manera que se aumenta la fiabilidad de la categorización.

La fiabilidad del procedimiento se puede incrementar aún más al ponerse a disposición del generador de modelos, en la fase de aprendizaje, una pluralidad de criterios de clasificación. Un patrón que se refleja en una pluralidad de criterios de clasificación es periódicamente más significativo que un patrón determinado sobre la base de un solo criterio de clasificación.

En un perfeccionamiento, las dos categorías a las cuales se puede asignar un conjunto de datos con el procedimiento de acuerdo con la invención se pueden subdividir en subgrupos adicionales. Si hay una pluralidad de modelos de clasificación que asignan un conjunto de datos a un subgrupo determinado dentro de una categoría, entonces el subgrupo en cuestión se puede emitir como información complementaria del procedimiento. El número de subgrupos dentro de las categorías se puede adaptar a la precisión esperada del procedimiento.

Para la fiabilidad del procedimiento, resulta ventajoso si se usan conjuntos de datos de alta calidad. Esto se aplica tanto para la fase de aprendizaje como para la fase de trabajo. Por este motivo, los conjuntos de datos de calidad inferior se pueden extraer en una etapa de procedimiento anterior. Por ejemplo, se puede comprobar la plausibilidad de los datos de sensor contenidos en el conjunto de datos. Por ejemplo, si el valor medido determinado con un sensor se desvía significativamente del valor esperado, entonces se puede concluir que el sensor es defectuoso, y se puede extraer el conjunto de datos en cuestión. Un sensor puede estar asimismo defectuoso si los valores del sensor cambian muy fuertemente en un corto período de tiempo (función escalonada) o si los valores del sensor se dispersan significativamente más que en otros períodos de tiempo (heterocedasticidad). Finalmente, los valores inverosímiles del sensor también pueden ser signos de un error.

Aparte de eso, en una etapa de procedimiento anterior, los datos se pueden someter a un análisis para determinar si ha tenido lugar un cambio sistemático dentro del período de tiempo al que se refieren los datos (análisis del punto de cambio). Los conjuntos de datos que se extienden a lo largo de un cambio sistemático no pueden evaluarse regularmente de manera lógica con el procedimiento de acuerdo con la invención. Por este motivo, los conjuntos de datos de este tipo también deberían extraerse.

Además, se puede llevar a cabo una verificación de coherencia antes del uso de los datos. Por ejemplo, se puede comprobar si el aerogenerador alcanza su potencia nominal. Al verificar la desviación estándar de la velocidad del viento, se puede comprobar si los anemómetros se han instalado al revés. Se pueden verificar los cambios en la curva de rendimiento. Para una verificación adicional de coherencia, se pueden emitir el mínimo, el máximo y el promedio de la temperatura para cada período de tiempo observado.

En una forma de realización preferente, el procedimiento se usa para analizar si un aerogenerador está sujeto a una desalineación, así, si existe una desviación entre la alineación de la góndola y la dirección media del viento. Puede haber dos categorías entre las cuales se distingue con los modelos de clasificación, a saber, las categorías "desalineación de la góndola sí" y "desalineación de la góndola no".

Los conjuntos de datos de aprendizaje a partir de los cuales se determinan los datos de aprendizaje pueden comprender, como primeros valores de parámetro, datos de medición sobre los parámetros velocidad del viento y posición de la veleta. El segundo valor de parámetro, que depende de esto, en el conjunto de datos de aprendizaje se puede relacionar con la potencia que suministra el aerogenerador. En el caso de los valores de parámetro, se trata preferentemente de series temporales que se relacionan en cada caso con los mismos períodos de tiempo. En el caso de los valores de parámetro, puede tratarse en particular de valores medios de 10 minutos de los parámetros en cuestión.

En la fase de aprendizaje, los respectivos generadores de modelos se suministran preferentemente al menos cuatro conjuntos de datos de aprendizaje con la información de categoría "malposición de la góndola sí" y al menos cuatro conjuntos de datos de aprendizaje con la información de categoría "malposición de la góndola no".

Incluso si la góndola está correctamente alineada respecto a la dirección media del viento (desalineación de la góndola no), mediante los cambios menores continuos en la velocidad del viento se puede producir un flujo inclinado momentáneo. Los efectos de un flujo inclinado momentáneo sobre la curva de rendimiento son diferentes, según si se trata de un flujo inclinado desde la izquierda o de un flujo inclinado desde la derecha. Así, existe una diferencia característica entre las curvas de rendimiento en el caso de las diferentes direcciones del flujo inclinado. Esta diferencia característica se puede evaluar numéricamente al subdividirse las curvas de rendimiento en varias secciones y al considerarse la diferencia entre las integrales de las respectivas curvas de rendimiento para cada una de las secciones. Esta diferencia integral forma un indicador que presenta rasgos característicos según si el aerogenerador está sujeto a un flujo inclinado. Este indicador se suministra a los generadores de modelos con los datos de aprendizaje. Los generadores de modelos pueden llevar a cabo un reconocimiento de patrones sobre la base de varios de estos indicadores y teniendo en cuenta la información de categoría asociada y desarrollar en cada caso un modelo de clasificación a partir de esto.

En la fase de trabajo, se analiza un conjunto de datos correspondiente sin información de categoría con cada uno de los modelos de clasificación. Cada uno de los modelos de clasificación asigna el conjunto de datos a una de las categorías "malposición de la góndola sí" o "malposición de la góndola no". Sobre la base de un criterio de mayoría de los modelos de clasificación se realiza luego la asignación final del conjunto de datos a una de las dos categorías.

En la fase de trabajo, cabe esperar que la categoría "malposición de la góndola no" se ocupe con más frecuencia que la categoría "malposición de la góndola sí". Si un conjunto de datos de al menos la mitad de los modelos de clasificación se clasifica en la categoría "malposición de la góndola sí", se puede encargar a un técnico de servicio que examine en el sitio la alineación de la góndola del aerogenerador en cuestión. Si el técnico de servicio establece realmente una desalineación de la góndola, se puede confirmar la información de categoría. Se puede generar un conjunto de datos de aprendizaje a partir del conjunto de datos en cuestión añadiendo la información de categoría. Los generadores de modelos se pueden alimentar con el conjunto de datos de aprendizaje para mejorar los modelos de clasificación.

En la fase de aprendizaje y/o en la fase de trabajo, se pueden usar conjuntos de datos que se relacionen con periodos de tiempo en los cuales el aerogenerador estuvo funcionando en el intervalo de carga parcial. En principio, las fases de parada no son adecuadas para una revisión. Cuando el aerogenerador funciona a plena carga, existe la desventaja de que la potencia eólica y la potencia de la instalación no se correlacionan directamente entre sí.

El procedimiento también se puede utilizar de manera ventajosa para detectar irregularidades en el ajuste del ángulo de pala del rotor o los ajustes de velocidad de giro (por regla general, a través de una curva característica de velocidad de giro-par) o en general para validar la curva de rendimiento. Para todos estos análisis del estado de funcionamiento es especialmente ventajosa una evaluación de conjuntos de datos que se refieren al funcionamiento a carga parcial. En el funcionamiento a plena carga, el procedimiento es especialmente adecuado para analizar un estado de funcionamiento en cuanto a las cargas de la instalación existentes.

Además, la invención se refiere a un sistema para analizar un estado de funcionamiento de un aerogenerador. El sistema comprende un módulo de aprendizaje para desarrollar al menos tres modelos de clasificación diferentes. El sistema comprende un módulo de trabajo para analizar los datos de trabajo del aerogenerador con cada uno de los modelos de clasificación y para asignar el aerogenerador a una categoría sobre la base de un criterio de mayoría de los modelos de clasificación. El módulo de aprendizaje comprende un primer generador de modelos para generar el primer modelo de clasificación, un segundo generador de modelos para generar el segundo modelo de clasificación y un tercer generador de modelos para generar el tercer modelo de clasificación. Los generadores de modelos están diseñados para evaluar datos de aprendizaje con el fin de generar los modelos de clasificación. Los datos de aprendizaje se basan en cada caso en una pluralidad de conjuntos de datos de aprendizaje, estando asignado cada conjunto de datos de aprendizaje a un aerogenerador, comprendiendo cada conjunto de datos de aprendizaje una información de categoría sobre el aerogenerador, conteniendo cada conjunto de datos de aprendizaje un primer valor de parámetro y un segundo valor de parámetro que depende del primer valor de parámetro, y realizándose la derivación de los datos de aprendizaje sobre la base de un criterio de clasificación que representa la dependencia entre el primer valor de parámetro y el segundo valor de parámetro.

El sistema se puede perfeccionar con características adicionales que están descritas en relación con el procedimiento de acuerdo con la invención. El procedimiento se puede perfeccionar con características adicionales que están descritas en relación con el sistema de acuerdo con la invención.

La invención se describe a modo de ejemplo a continuación con referencia a los dibujos adjuntos mediante formas de realización ventajosas. Muestran:

la figura 1: una representación esquemática de ocho aerogeneradores para obtener conjuntos de datos de aprendizaje;

la figura 2: una representación gráfica de un conjunto de datos de aprendizaje de acuerdo con la invención de una primera categoría;

la figura 3: una representación gráfica de un conjunto de datos de aprendizaje de acuerdo con la invención de una segunda categoría;

la figura 4: un diagrama de bloques de una fase de aprendizaje de acuerdo con la invención;

la figura 5: una representación esquemática de los aerogeneradores que se van a analizar; y

la figura 6: un diagrama de bloques de una fase de trabajo de acuerdo con la invención.

En la figura 1 están mostrados cuatro aerogeneradores 14 que están correctamente alineados respecto a la dirección media del viento, así, que están exentos de desalineación de la góndola. Además, están mostrados cuatro aerogeneradores 15 que están sujetos a una desalineación de la góndola. En la figura 2 están representados gráficamente los datos de medición que se han registrado en uno de los aerogeneradores 14. Se trata de la representación de una curva de rendimiento en la que la velocidad del viento V en m/s está trazada en el eje horizontal y la potencia eléctrica P generada por el aerogenerador 14 está trazada en el eje vertical. Cada uno de los puntos trazados en el gráfico representa un valor medio de 10 minutos de la potencia frente a la velocidad del viento.

Además, en el aerogenerador 14 se han registrado los datos del sensor de una veleta dispuesta sobre la góndola del aerogenerador 14. Incluso si el aerogenerador está correctamente alineado respecto a la dirección media del viento, puede producirse un flujo inclinado momentáneo debido a fluctuaciones a corto plazo en la dirección del viento. En consecuencia, un flujo inclinado momentáneo no es indicio de una desalineación de la góndola. Los datos del sensor de la veleta corresponden en cada caso a una información sobre la dirección momentánea del viento. Los datos de la veleta se convierten asimismo en valores medios de 10 minutos y se asignan a los puntos representados en el gráfico. Según el valor de la dirección momentánea del viento, los puntos están coloreados en diferentes tonos de gris oscuro.

Mediante la información adicional sobre el flujo inclinado momentáneo, es posible determinar dos curvas de rendimiento diferentes, haciendo referencia una de las curvas de rendimiento al intervalo angular entre, por ejemplo, 0° y 8° entre la orientación de la góndola y la dirección momentánea del viento, y haciendo referencia la otra curva de rendimiento al intervalo angular entre -8° y 0°.

Las dos curvas de rendimiento 16, 17 están marcadas en la figura 2. La curva de rendimiento 16 para el intervalo angular de 0° a 8° se encuentra ligeramente por encima de la curva de rendimiento 17 para el intervalo angular de -8° a 0°. Esto se explica por el hecho de que debido a la torsión que el viento recibe por el rotor, un flujo inclinado momentáneo desde la una dirección repercute de manera diferente al de un flujo inclinado momentáneo de la otra dirección.

En la figura 1 están representados además cuatro aerogeneradores 15, en los que la alineación de la góndola se desvía de la dirección media del viento, así, que están sujetos a una desalineación de la góndola. La figura 3 muestra una representación gráfica de un conjunto de datos ejemplar que se ha registrado en uno de los aerogeneradores 15. Una vez más, los puntos muestran valores medios de 10 minutos de la potencia, que están trazados frente a la velocidad del viento. La coloración de los puntos reproduce la desviación entre la alineación de la góndola y la dirección momentánea del viento indicada por la veleta. Sobre la base de esta información, se pueden obtener nuevamente dos curvas de rendimiento 18, 19, correspondiendo la curva de rendimiento 18 al intervalo angular de 0° a 8° entre las dos direcciones y correspondiendo la curva de rendimiento 19 al intervalo angular de -8° a 0°.

La desviación entre las dos curvas de rendimiento 18, 19 de la figura 3 es menor que la desviación entre las dos curvas de rendimiento 16, 17 de la figura 2. A partir de la desviación entre las curvas de rendimiento se puede deducir una indicación de si el aerogenerador está sujeto a una desalineación de la góndola.

Para el procedimiento de acuerdo con la invención, la diferencia entre las curvas de rendimiento 16, 17, 18, 19, que son visibles en las figuras 2 y 3, se convierte en un criterio de clasificación cuantificable. Para ello, las curvas de rendimiento se dividen en una pluralidad de secciones a lo largo del eje horizontal (por ejemplo, V = 5 m/s a 6 m/s; V = 6 m/s a 7 m/s, etc.). En cada una de las secciones, se calcula una integral de las dos curvas de rendimiento y se determina la diferencia entre las dos integrales. La diferencia de las integrales corresponde a la desviación entre las curvas de rendimiento en la sección en cuestión. Por consiguiente, en el sentido de la invención, la diferencia integral forma un indicador que presenta rasgos característicos dependiendo del flujo inclinado. Con el criterio de clasificación se especifica una regla de cálculo con la cual se puede calcular el indicador a partir de un conjunto de datos.

Los conjuntos de datos de aprendizaje del tipo mostrado en las figuras 2 y 3 se pueden obtener sobre la base de los aerogeneradores 14, 15 representados en la figura 1. Los conjuntos de datos de aprendizaje se caracterizan por el hecho de que se sabe si el conjunto de datos pertenece a la categoría "desalineación de la góndola sí" o a la categoría "desalineación de la góndola no". Cada conjunto de datos de aprendizaje está asignado a uno de los aerogeneradores 14, 15.

En la fase de aprendizaje representada en la figura 4 del procedimiento de acuerdo con la invención, se alimentan tres generadores de modelos 21, 22, 23 diferentes con datos de aprendizaje para obtener tres modelos de clasificación 24, 25, 26. Los datos de aprendizaje se derivan de conjuntos de datos de aprendizaje 20, comprendiendo cada conjunto de datos de aprendizaje 20 una multiplicidad de valores medidos 27 de la velocidad del viento así como una multiplicidad de datos de sensor 28 de la veleta dispuesta sobre la góndola del aerogenerador. Los valores medidos 27 y los datos de sensor 28 forman primeros valores de parámetro en el sentido de la invención.

Cada conjunto de datos de aprendizaje 20 comprende además una multiplicidad de valores medidos de potencia 29 del aerogenerador. Los valores medidos de potencia 29, que dependen de la dirección del viento y de la fuerza del viento, forman segundos valores de parámetro en el sentido de la invención. Cada conjunto de datos de aprendizaje 20 contiene además una información de categoría 36 en cuanto a si el conjunto de datos de aprendizaje 20 pertenece a la categoría "desalineación de la góndola sí" o a la categoría "desalineación de la góndola no".

Los conjuntos de datos de aprendizaje 20 así como el criterio de clasificación 37 asociado se alimentan a un módulo de cálculo 38. En el módulo de cálculo 38, sobre la base de la regla de cálculo definida por el criterio de clasificación 37, se calcula un indicador para cada uno de los conjuntos de datos de aprendizaje 20; así, la diferencia integral descrita anteriormente de las curvas de rendimiento 16, 17, 18, 19 se determina para cada uno de los conjuntos de datos. El módulo de cálculo 38 emite datos de aprendizaje, que comprenden un indicador así como la información de categoría 36 asociada para cada uno de los conjuntos de datos de aprendizaje 20. Los datos de aprendizaje se alimentan a los generadores de modelos 21, 22, 23, alimentándose los tres generadores de modelos 21, 22, 23 con datos de aprendizaje idénticos en este ejemplo de realización.

En los datos de aprendizaje, los generadores de modelos 21,22, 23, sobre la base de algoritmos tales como árbol de decisión, bosque aleatorio, clasificador Naive Bayes, máquina de vectores de soporte y redes neuronales, reconocen patrones a través de los cuales es posible una asignación de los conjuntos de datos de aprendizaje 20 a las categorías. A partir de estos patrones se desarrolla en cada caso un modelo de clasificación 24, 25, 26. Cada uno de los modelos de clasificación 24, 25, 26 tiene la capacidad de asignar un conjunto de datos, cuya categoría se desconoce, a una de las categorías.

En la fase de trabajo del procedimiento de acuerdo con la invención, se registran conjuntos de datos 32 correspondientes (así, conjuntos de datos que están compuestos de valores medidos correspondientes) para los aerogeneradores 30, 31 (figura 5), en los cuales se desconoce si pertenecen a la categoría "desalineación de la góndola no" o a la categoría "desalineación de la góndola sí".

De acuerdo con la figura 6, los conjuntos de datos 32 comprenden valores medidos 27 de la velocidad del viento y datos de sensor 28 de la veleta como primeros valores de parámetro, así como valores medidos de potencia 29 de los aerogeneradores 30, 31 como segundos valores de parámetro. El conjunto de datos 32 se suministra al módulo de cálculo 38, que calcula sobre la base del criterio de clasificación 37 la diferencia integral descrita anteriormente de las curvas de rendimiento 16, 17, 18, 19 y, con ello, determina un indicador, característico del flujo inclinado, para el conjunto de datos 32. Este indicador se suministra a los modelos de clasificación 24, 25, 26 y, con ello, forma datos de trabajo para los modelos de clasificación 24, 25, 26 en el sentido de la invención.

Los modelos de clasificación 24, 25, 26 analizan el indicador del conjunto de datos 32. El resultado del análisis para cada uno de los modelos de clasificación 24, 25, 26 es una asignación del conjunto de datos 32 o bien a la categoría 33 "desalineación de la góndola sí" o bien a la categoría 34 "desalineación de la góndola no". En el caso de una declaración unánime de todos los modelos de clasificación 24, 25, 26, la categoría en cuestión se establece como resultado final de la clasificación.

En la figura 6 está representado el resultado de la evaluación para el aerogenerador 31, que está sujeto a una desalineación de la góndola. El aerogenerador 31 se clasifica en la categoría 33 "desalineación de la góndola sí" por los modelos de clasificación 25, 26. Por el contrario, el modelo de clasificación 24 no establece la desalineación de la góndola y clasifica el aerogenerador 31 en la categoría 34 "desalineación de la góndola no". Si los modelos de clasificación 24, 25, 26 emiten resultados diferentes, entonces la clasificación final se decide sobre la base de un criterio de mayoría. En este caso, la mayoría de los modelos de clasificación ha clasificado el aerogenerador 31 en la categoría 33 "desalineación de la góndola sí", de manera que la categoría 33 se emite como resultado final 35 de la evaluación.

Después, se encarga a un técnico de servicio que examine en el sitio el aerogenerador 31. Si se confirma la desalineación de la góndola, entonces una información de categoría 36 verificada está disponible para el conjunto de datos 32. El conjunto de datos 32 se puede usar como conjunto de datos de aprendizaje 20, que se suministra adicionalmente a todos los generadores de modelos 21,22, 23 para optimizar los modelos de clasificación 24, 25, 26.

Claims (12)

REIVINDICACIONES

1. Procedimiento para analizar un estado de funcionamiento de un aerogenerador (30, 31), desarrollándose en una fase de aprendizaje al menos tres modelos de clasificación (24, 25, 26) diferentes y analizándose en una fase de trabajo datos de trabajo (32) del aerogenerador (30, 31) con cada uno de los modelos de clasificación (24, 25, 26), y asignándose el aerogenerador (30, 31) a una categoría (33, 34) sobre la base de un criterio de mayoría de los modelos de clasificación (24, 25, 26), comprendiendo la fase de aprendizaje las siguientes etapas:

a. determinación de los primeros datos de aprendizaje para un primer generador de modelos (21), de manera que el primer generador de modelos (21) calcula un primer modelo de clasificación (24),

b. determinación de los segundos datos de aprendizaje para un segundo generador de modelos (21), de manera que el segundo generador de modelos (21) calcula un segundo modelo de clasificación (25),

c. determinación de los terceros datos de aprendizaje (20) para un tercer generador de modelos, de manera que el tercer generador de modelos (23) calcula un tercer modelo de clasificación (26),

derivándose los datos de aprendizaje de una pluralidad de conjuntos de datos de aprendizaje (20), estando asignado cada conjunto de datos de aprendizaje (20) a un aerogenerador (14, 15), comprendiendo cada conjunto de datos de aprendizaje (20) una información de categoría (36) sobre el aerogenerador (14, 15), conteniendo cada conjunto de datos de aprendizaje (20) un primer valor de parámetro (27, 28) y un segundo valor de parámetro (29) que depende del primer valor de parámetro (27, 28), y realizándose la derivación de los datos de aprendizaje a partir de los conjuntos de datos de aprendizaje sobre la base de un criterio de clasificación (37) que representa la dependencia entre el primer valor de parámetro (27, 28) y el segundo valor de parámetro (29).

2. Procedimiento de análisis según la reivindicación 1, caracterizado por que el primer valor de parámetro (27, 28) y/o el segundo valor de parámetro (29) es un valor promedio determinado a partir de una serie temporal.

3. Procedimiento de análisis según la reivindicación 1 o 2, caracterizado por que cada conjunto de datos de aprendizaje (20) comprende una pluralidad de primeros valores de parámetro (27, 28) y/o segundos valores de parámetro (29), preferentemente una pluralidad mayor de primeros valores de parámetro (27, 28) y/o segundos valores de parámetro (29).

4. Procedimiento de análisis según una de las reivindicaciones 1 a 3, caracterizado por que los generadores de modelos (21,22, 33) se alimentan con datos de aprendizaje idénticos.

5. Procedimiento de análisis según una de las reivindicaciones 1 a 4, caracterizado por que los modelos de clasificación (24, 25, 26) están configurados de manera que deciden entre dos categorías (33, 34).

6. Procedimiento de análisis según una de las reivindicaciones 1 a 5, caracterizado por que los generadores de modelos (24, 25, 26) llevan a cabo un procedimiento para el reconocimiento de patrones en los datos de aprendizaje.

7. Procedimiento de análisis según la reivindicación 6, caracterizado por que los generadores de modelos se basan en uno o varios de los siguientes algoritmos: árbol de decisión, bosque aleatorio, clasificador Naive Bayes, máquina de vectores de soporte y redes neuronales.

8. Procedimiento de análisis según una de las reivindicaciones 1 a 7, caracterizado por que se lleva a cabo con un número impar de modelos de clasificación (24, 25, 26).

9. Procedimiento de análisis según una de las reivindicaciones 1 a 8, caracterizado por que la información de categoría (36) determinada con uno de los modelos de clasificación (24, 25, 26) se comprueba manualmente y por que usando la información de categoría (36) confirmada se genera un conjunto de datos de aprendizaje (20) adicional, el cual se alimenta a uno o varios de los generadores de modelos (21,22, 23).

10. Procedimiento de análisis según una de las reivindicaciones 1 a 9, caracterizado por que los modelos de clasificación (24, 25, 26) diferencian entre las categorías "desalineación de la góndola sí" y "desalineación de la góndola no".

11. Procedimiento de análisis según la reivindicación 10, caracterizado por que se lleva a cabo con conjuntos de datos (32) que representan un funcionamiento a carga parcial del aerogenerador (30, 31).

12. Sistema para analizar un estado de funcionamiento de un aerogenerador (30, 31), con un módulo de aprendizaje para desarrollar al menos tres modelos de clasificación (24, 25, 26) diferentes y con un módulo de trabajo para analizar un conjunto de datos (32) del aerogenerador (30, 31) con cada uno de los modelos de clasificación (24, 25, 26) y para asignar el aerogenerador (30, 31) a una categoría (33, 34) sobre la base de un criterio de mayoría de los modelos de clasificación (24, 25, 26), comprendiendo el módulo de aprendizaje un primer generador de modelos (21) para generar el primer modelo de clasificación (24), un segundo generador de modelos (22) para generar el segundo modelo de clasificación (25) y un tercer generador de modelos (23) para generar el tercer modelo de clasificación (26), estando diseñados los generadores de modelos (21,22, 23) para evaluar datos de aprendizaje con el fin de generar los modelos de clasificación (24, 25, 26), derivándose los datos de aprendizaje en cada caso a partir de una pluralidad de conjuntos de datos de aprendizaje (20), estando asignado cada conjunto de datos de aprendizaje (20) a un aerogenerador (14, 15), comprendiendo cada conjunto de datos de aprendizaje (20) una información de categoría (36) sobre el aerogenerador (14, 15), conteniendo cada conjunto de datos de aprendizaje (20) un primer valor de parámetro (27, 28) y un segundo valor de parámetro (29) que depende del primer valor de parámetro (27, 28), y realizándose la derivación de los datos de aprendizaje de los conjuntos de datos de aprendizaje (20) sobre la base de un criterio de clasificación (37) que representa la dependencia entre el primer valor de parámetro (27, 28) y el segundo valor de parámetro (29).