Detección de fallos en aerogeneradores flotantes mediante redes neuronales usando OpenFAST
- Galeote, Ignacio
- Aimara Andrade, Bryan Alexander
- Esteban, Segundo
- Santos, Matilde
- Ramón Costa Castelló (coord.)
- Manuel Gil Ortega (coord.)
- Óscar Reinoso García (coord.)
- Luis Enrique Montano Gella (coord.)
- Carlos Vilas Fernández (coord.)
- Elisabet Estévez Estévez (coord.)
- Eduardo Rocón de Lima (coord.)
- David Muñoz de la Peña Sequedo (coord.)
- José Manuel Andújar Márquez (coord.)
- Luis Payá Castelló (coord.)
- Alejandro Mosteo Chagoyen (coord.)
- Raúl Marín Prades (coord.)
- Vanesa Loureiro-Vázquez (coord.)
- Pedro Jesús Cabrera Santana (coord.)
Éditorial: Servizo de Publicacións ; Universidade da Coruña
ISBN: 9788497498609
Année de publication: 2023
Pages: 144-149
Congreso: Jornadas de Automática (44. 2023. Zaragoza)
Type: Communication dans un congrès
Résumé
Uno de los principales problemas de la energía eólica es el de la continuidad en la producción, exacerbado en el caso de la tecnología flotante dada la complejidad añadida de las circunstancias ambientales. Dada la variabilidad intrínseca del viento, que conlleva la producción irregular de energía, es de especial importancia detectar y minimizar tanto la frecuencia como la gravedad de fallos o averías en las máquinas. En el presente trabajo se ha estudiado una turbina de referencia flotante en alta mar de 5 MW y se han simulado fallas de diversos elementos estructurales mediante el software OpenFAST del NREL, mediante una técnica de acople de simulaciones. Después, se ha entrenado una red neuronal empleando MATLAB con el objetivo de identificar aquellos sensores más adecuados para detectar estas anomalías, así como su respuesta característica que permita hacer un diagnóstico rápido y fiable del fallo.