• Los modelos de comportamiento se aprendieron en el aerogenerador Komai que se encuentra en el Centro Regional de Tecnología Eólica, el CERTE del INEEL.
• El sistema de diagnóstico de aerogeneradores y la detección de patrones de fallas fueron probados a partir de la simulación de fallas del aerogenerador de la Máquina Eólica Mexicana (MEM) diseñada por el INEEL.

El día 30 de abril dio inicio el Ciclo de Conferencias sobre Aplicaciones en Inteligencia Artificial en el Instituto Nacional de Electricidad y Energías Limpias (INEEL) con el objetivo de compartir los conocimientos con colegas y público interesado en la Inteligencia Artificial (IA) en virtud del reciente interés que ha despertado en muchas áreas del quehacer humano. El sector energético no es la excepción, se cuenta con estudios exitosos y aplicaciones relacionadas con la seguridad, eficiencia y confiabilidad desarrollados para el sector de energía durante los últimos 20 años.

La primera ponencia se tituló Diagnóstico Inteligente de Aerogeneradores, en la que Pablo Ibargüengoytia y Uriel García, investigador y becario de tesis maestría en la Gerencia de Control, Electrónica y Comunicaciones del INEEL, presentaron los resultados del proyecto desarrollado para el Centro Mexicano de Innovación en Energía Eólica (CEMIE Eólico), del cual el INEEL es líder.

Este estudio consistió en el diseño de un sistema de diagnóstico de aerogeneradores basado en modelos de comportamiento representados con redes Bayesianas que aprenden con las señales del SCADA de la turbina. En este estudio se aplicó la teoría de validación de información desarrollada en el INEEL para la detección de desviaciones al comportamiento normal de las señales. El sistema de diagnóstico diseñado inicia con la creación de modelos de comportamiento normal y produce un patrón de variables que presentan un comportamiento anormal en presencia de una falla.

El sistema de diagnóstico de aerogeneradores y los modelos de detección de patrones de fallas raíz fueron probados a partir de la simulación de seis diferentes fallas en el aerogenerador usando la Máquina Eólica Mexicana (MEM) diseñada en el INEEL. Con estos datos se generaron los perfiles de comportamiento anormal y se clasificaron usando el algoritmo de “Random Forest”. Finalmente se evaluó el desempeño del sistema de diagnóstico logrando un 91% en la clasificación de patrones de falla raíz. Este trabajo es un ejemplo exitoso de la aplicación de técnicas de aprendizaje automático para la identificación de patrones de variables con comportamiento anormal para detección de anomalías y la identificación de fallas raíz en aerogeneradores.

Contar con ciclos de conferencias ofrecidos por investigadores de centros de investigación sobre los estudios y proyectos relacionados con la Inteligencia Artificial aplicada al sector energético contribuye con nuestra misión de difundir las innovaciones aplicadas en la industria que contribuye, asimismo, en la formación de recurso humano mejor preparado.