MLP y CNN para Predicción de Variables de Turbinas Eólicas

  1. Pablo-Andrés Buestán-Andrade 1
  2. Matilde Santos 2
  3. Jesús-Enrique Sierra-García 3
  1. 1 Faculty of Informatics, Complutense University of Madrid
  2. 2 Institute of Knowledge Technology, Department of Computer Architecture and Automation Complutense University of Madrid
  3. 3 Dpt. of Electromechanical Engineering Escuela Politécnica Superior University of Burgos
Mostrar afiliaciones +
Libro:
WWME 2022 IV. Jardunaldia - Berrikuntza eta irakaskuntza energia berriztagarrien aurrerapenetan
  1. Aitor J. Garrido Garrido (coord.)
  2. Matilde Santos Peñas (coord.)
  3. Fares Mzoughi (coord.)
  4. Ahmad, Irfan (coord.)
  5. Garrido Hernandez, Izaskun (coord.)

Editorial: Servicio Editorial = Argitalpen Zerbitzua ; Universidad del País Vasco = Euskal Herriko Unibertsitatea

ISBN: 978-84-1319-526-1

Año de publicación: 2023

Páginas: 55-60

Congreso: Jornada Internacional de Energía Eólica y Marina (4. 2022. null)

Tipo: Aportación congreso

DIALNET GOOGLE SCHOLAR lock_openADDI editor

Resumen

Uno de los principales objetivos que se abordan en la generación de energía eléctrica a través del viento es realizar correctamente las actividades de operación y mantenimiento (O&M) en los parques eólicos. Actualmente, el mantenimiento predictivo es una tarea fundamental para mejorar el rendimiento, prevenir posibles fallas futuras y reducir los costos operativos. La inteligencia artificial (IA) es una ciencia que ha permitido el diseño de diferentes algoritmos para el mantenimiento predictivo en plantas eólicas, concretamente utilizando técnicas de aprendizaje automático (ML). En este sentido, este estudio presenta el entrenamiento y predicción de diferentes algoritmos de ML, utilizando redes neuronales tradicionales y modelos de aprendizaje profundo. Estos modelos incluyen redes neuronales totalmente conectadas, redes neuronales convolucionales (CNN) y células de memoria a corto plazo (LSTM). Los resultados muestran que la técnica que mejor se adapta a la serie temporal de los aerogeneradores es la LSTM, obteniendo un valor inferior a 0,04 del Error Absoluto Medio (MAE). Este estudio permite conocer las diferentes configuraciones de IA aplicadas en la actualidad para mejorar el rendimiento en parques eólicos.

Fuente de los datos: Dialnet