ES2990163T3

ES2990163T3 - Análisis en base a modelos de aprendizaje automático para monitorizar el rendimiento de potencia de parque eólico

Info

Publication number: ES2990163T3
Application number: ES20199640T
Authority: ES
Inventors: Scott Charles Evans; Arunvenkataraman Subramanian; Gerald Bowden Wise; Ripple, Jr; John Edmund Lafleche
Original assignee: General Electric Renovables Espana SL
Current assignee: General Electric Renovables Espana SL
Priority date: 2019-10-02
Filing date: 2020-10-01
Publication date: 2024-11-29
Anticipated expiration: 2040-10-01
Also published as: CN114430816A; US10954919B1; EP4038462A1; EP3800519B1; US20210102525A1; CN114430816B; EP3800519A1; CN112594130B; DK3800519T3; CN112594130A; WO2021066867A1

Abstract

Un método para controlar una turbina eólica incluye detectar una pluralidad de resultados analíticos relacionados con el rendimiento energético de la turbina eólica a partir de una pluralidad de análisis diferentes. El método también incluye analizar la pluralidad de resultados analíticos relacionados con el rendimiento energético de la turbina eólica. Además, el método incluye generar al menos un modelo basado en computadora del rendimiento energético de la turbina eólica utilizando al menos una parte de la pluralidad analizada de resultados analíticos. Además, el método incluye entrenar el o los modelos basados en computadora del rendimiento energético de la turbina eólica utilizando resultados analíticos anotados relacionados con el rendimiento energético de la turbina eólica. Además, el método incluye estimar una magnitud de potencia de la turbina eólica utilizando el o los modelos basados en computadora aprendidos por máquina. Como tal, el método incluye implementar una acción de control cuando la magnitud de potencia de la turbina eólica está fuera de un rango seleccionado. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Análisis en base a modelos de aprendizaje automático para monitorizar el rendimiento de potencia de parque eólico

Campo

[0001] La presente divulgación se refiere, en general, a parques eólicos y, más en particular, a un análisis en base a modelos de aprendizaje automático para monitorizar el rendimiento de parque eólico.

Antecedentes

[0002] La energía eólica se considera una de las fuentes de energía más limpias y más respetuosas con el medioambiente disponibles actualmente, y las turbinas eólicas han obtenido una creciente atención a este respecto. Una turbina eólica moderna típicamente incluye una torre, un generador, una multiplicadora, una góndola y una o más palas de rotor. Las palas de rotor capturan energía cinética del viento usando principios de perfil alar conocidos. Por ejemplo, las palas de rotor típicamente tienen el perfil en sección transversal de un perfil alar de modo que, durante la operación, el aire fluya sobre la pala, lo que produce una diferencia de presión entre los lados. En consecuencia, una fuerza de sustentación, que se dirige desde un lado de presión hacia un lado de succión, actúa sobre la pala. La fuerza de sustentación genera un par de torsión en el eje de rotor principal, que está engranado a un generador para producir electricidad.

[0003] Se usan comúnmente una pluralidad de turbinas eólicas de forma conjunta entre sí para generar electricidad y se denominan comúnmente "parque eólico". Durante la operación, es ventajoso utilizar diversos resultados (“outputs”) analíticos para evaluar el rendimiento de turbina eólica y/o parque eólico para garantizar que la(s) turbina(s) eólica(s) y/o parque eólico estén operando apropiadamente. Sin embargo, el rendimiento insuficiente de turbina eólica usando dichos resultados analíticos individuales es una condición difícil de clasificar. Como tal, el estado de la técnica proporciona una sobreabundancia de falsas alarmas, dando lugar, de este modo, a que los operarios ignoren los resultados analíticos que señalan un rendimiento insuficiente. Además, no todos los resultados analíticos se calculan ni se ponen a disposición simultáneamente. Sin embargo, todavía se desea una decisión en la instancia consultada.

El documento US10041475B1 describe la reducción de la restricción de la generación de energía eólica; El documento EP3249769A1 describe un sistema y procedimiento para controlar la producción de potencia de un parque eólico;

El documento US2011/0020122A1 describe un sistema de mantenimiento basado en condición integrado para turbinas eólicas.

[0004] En consecuencia, la presente divulgación se dirige a sistemas y métodos para combinar subconjuntos de bajo rendimiento de flujos analíticos disponibles para crear un análisis en base a modelos de aprendizaje automático con alta precisión y exactitud para estimar mejor el rendimiento de turbina eólica. Además, los sistemas y procedimientos de la presente divulgación también clasifican las turbinas eólicas de rendimiento insuficiente usando un conjunto de potencia y/u otros análisis que cuantifiquen el grado en que se ha perdido energía, haciendo posible, de este modo, que un ingeniero de campo se concentre en las turbinas eólicas de rendimiento insuficiente clave en un parque eólico.

Breve descripción

[0005] La invención está definida por las reivindicaciones independientes. Las reivindicaciones dependientes definen otros modos de realización de la invención.

[0006] Los dibujos adjuntos, que se incorporan en y constituyen una parte de esta memoria descriptiva, ilustran modos de realización de la invención y, conjuntamente con la descripción, sirven para explicar los principios de la invención.

Breve descripción de los dibujos

[0007] En la memoria descriptiva se expone una divulgación completa y habilitante de la presente invención, incluyendo el mejor modo de la misma, dirigida a un experto en la técnica, que hace referencia a las figuras adjuntas, en las que:

la FIG. 1 ilustra una vista en perspectiva de un modo de realización de un parque eólico de acuerdo con la presente divulgación;

la FIG. 2 ilustra una vista en perspectiva de un modo de realización de una turbina eólica de acuerdo con la presente divulgación;

la FIG. 3 ilustra un diagrama de bloques de un modo de realización de un controlador de una turbina eólica y/o un parque eólico de acuerdo con la presente divulgación;

la FIG. 4 ilustra un diagrama de flujo de un modo de realización de un procedimiento para controlar una turbina eólica de acuerdo con la presente divulgación;

la FIG. 5 ilustra un diagrama esquemático de un sistema para controlar una turbina eólica de acuerdo con la presente divulgación; y

la FIG. 6 ilustra un diagrama esquemático de un modo de realización de una arquitectura de microservicio analítico de acuerdo con la presente divulgación.

Descripción detallada

[0008]Ahora se hará referencia en detalle a modos de realización de la invención, ilustrándose uno o más de sus ejemplos en los dibujos. Cada ejemplo se proporciona a modo de explicación de la invención, no de limitación de la invención. Por ejemplo, se pueden usar las características ilustradas o descritas como parte de un modo de realización con otro modo de realización para proporcionar todavía otro modo de realización. Por tanto, se pretende que la presente invención cubra dichas modificaciones y variaciones que entran dentro del alcance de las reivindicaciones adjuntas.

[0009]En general, la presente divulgación se dirige a un análisis en base a modelos de aprendizaje automático para monitorizar el rendimiento de parque eólico de modo que se pueda lograr la detección temprana de problemas de rendimiento. Más específicamente, el análisis en base a modelos de aprendizaje automático de la presente divulgación combina varios análisis de rendimiento eólico que tienen menos precisión y exactitud para lograr un único análisis con alta precisión y exactitud. Por ejemplo, el análisis en base a modelos usa el aprendizaje automático supervisado sobre datos etiquetados conjuntamente con diversas etapas de preprocesamiento y un aprendizaje continuo para crear un análisis y sistema que puedan detectar el rendimiento insuficiente de una turbina eólica con mínimas clasificaciones omitidas y mínimas falsas alarmas. En consecuencia, la presente divulgación también puede proporcionar una metodología para usar la factorización y/o el análisis de componentes principales para determinar automáticamente el número correcto de dimensiones a incluir en el modelo. Además, el modelo puede incluir el análisis del conjunto de potencia como uno de los conjuntos de características usadas en el modelo. Por tanto, el modelo de la presente divulgación se puede mejorar continuamente con el tiempo y puede añadir continuamente nuevos análisis a medida que estén disponibles.

[0010]En referencia ahora a los dibujos, la FIG. 1 ilustra un modo de realización de ejemplo de un parque eólico 100 que contiene una pluralidad de turbinas eólicas 102 de acuerdo con aspectos de la presente divulgación. Las turbinas eólicas 102 se pueden disponer de cualquier forma adecuada. A modo de ejemplo, las turbinas eólicas 102 se pueden disponer en una serie de filas y columnas, en una sola fila o en una disposición aleatoria. Además, la FIG. 1 ilustra un diseño de ejemplo de un modo de realización del parque eólico 100. Típicamente, la disposición de turbina eólica en un parque eólico se determina en base a numerosos algoritmos de optimización, de modo que se maximice la PAE para el correspondiente clima eólico del emplazamiento. Se debe entender que se puede implementar cualquier disposición de turbina eólica, tal como en terreno irregular, sin apartarse del alcance de la presente divulgación.

[0011]Además, se debe entender que las turbinas eólicas 102 del parque eólico 100 pueden tener cualquier configuración adecuada, tal como, por ejemplo, como se muestra en la FIG. 2. Como se muestra, la turbina eólica 102 incluye una torre 114 que se extiende desde una superficie de soporte, una góndola 116 montada encima de la torre 114 y un rotor 118 acoplado a la góndola 16. El rotor incluye un buje 120 rotatorio que tiene una pluralidad de palas de rotor 112 montadas en el mismo, que, a su vez, está conectado a un eje de rotor principal que está acoplado al generador alojado dentro de la góndola 116 (no mostrado). Por tanto, el generador produce potencia eléctrica a partir de la energía de rotación generada por el rotor 118. Se debe apreciar que la turbina eólica 102 de la FIG. 2 se proporciona solo con propósitos ilustrativos. Por tanto, un experto en la técnica debe comprender que la invención no se limita a ningún tipo particular de configuración de turbina eólica.

[0012]Como se muestra en general en las figuras, cada turbina eólica 102 del parque eólico 100 también puede incluir un controlador de turbina 104 acoplado en comunicación a un controlador de parque 108. Además, en un modo de realización, el controlador de parque 108 se puede acoplar a los controladores de turbina 104 a través de una red 110 para facilitar la comunicación entre los diversos componentes de parque eólico. Las turbinas eólicas 102 también pueden incluir uno o más sensores 105, 106, 107 configurados para monitorizar diversas condiciones operativas, de viento y/o de carga de la turbina eólica 102. Por ejemplo, uno o más sensores pueden incluir sensores de pala para monitorizar las palas de rotor 112; sensores de generador para monitorizar cargas de generador, par de torsión, velocidad, aceleración y/o salida de potencia del generador; sensores de viento 106 para monitorizar las una o más condiciones del viento; y/o sensores de eje para medir cargas del eje de rotor y/o la velocidad de rotación del eje de rotor. Adicionalmente, la turbina eólica 102 puede incluir uno o más sensores de torre para medir las cargas transmitidas a través de la torre 114 y/o la aceleración de la torre 114. En diversos modos de realización, los sensores pueden ser uno cualquiera o una combinación de los siguientes: acelerómetros, sensores de presión, sensores de ángulo de ataque, sensores de vibración, unidades de medición inercial en miniatura (MIMU), sistemas de cámara, sistemas de fibra óptica, anemómetros, veletas, sensores de distancia y detección por sonido (SODAR), infraláseres, sensores de distancia y detección por luz (LIDAR), radiómetros, tubos de Pitot, radiovientosondas, otros sensores ópticos y/o cualquier otro sensor adecuado.

[0013]En referencia ahora a la FIG. 3, se ilustra un diagrama de bloques de un modo de realización de componentes adecuados que se pueden incluir dentro del controlador de parque 108, el/los controlador(es) de turbina 104 y/u otro controlador adecuado de acuerdo con la presente divulgación. Como se muestra, el/los controlador(es) 104, 108 puede(n) incluir uno o más procesadores 150 y dispositivos de memoria 152 asociados configurados para realizar una variedad de funciones implementadas por ordenador (por ejemplo, realizar los procedimientos, etapas, cálculos y similares y almacenar datos pertinentes como se divulga en el presente documento). Adicionalmente, el/los controlador(es) 104, 108 puede(n) incluir también un módulo de comunicaciones 154 para facilitar las comunicaciones entre el/los controlador(es) 104, 108 y los diversos componentes de la turbina eólica 102. Además, el módulo de comunicaciones 154 puede incluir una interfaz de sensor 156 (por ejemplo, uno o más convertidores de analógico a digital) para permitir que las señales transmitidas desde uno o más sensores 105, 106, 107 (tales como los sensores descritos en el presente documento) se conviertan en señales que se puedan entender y procesar por los procesadores 150. Se debe apreciar que los sensores 105, 106, 107 se pueden acoplar en comunicación al módulo de comunicaciones 154 usando cualquier medio adecuado. Por ejemplo, como se muestra, los sensores 105, 106, 107 están acoplados a la interfaz de sensor 156 por medio de una conexión alámbrica. Sin embargo, en otros modos de realización, los sensores 105, 106, 107 se pueden acoplar a la interfaz de sensor 156 por medio de una conexión inalámbrica, tal como usando cualquier protocolo de comunicaciones inalámbricas adecuado conocido en la técnica.

[0014]Como se usa en el presente documento, el término "procesador" no solo se refiere a circuitos integrados a los que se hace referencia en la técnica como incluidos en un ordenador, sino que también se refiere a un controlador, un microcontrolador, un microordenador, un controlador de lógica programable (PLC), un circuito integrado específico de la aplicación y otros circuitos programables. Adicionalmente, el/los dispositivo(s) de memoria 152 puede(n) incluir, en general, (un) elemento(s) de memoria, incluyendo, pero sin limitarse a, un medio legible por ordenador (por ejemplo, memoria de acceso aleatorio (RAM)), un medio no volátil legible por ordenador (por ejemplo, una memoriaflash),un disquete, una memoria de solo lectura-disco compacto (CD-ROM), un disco magnetoóptico (MOD), un disco versátil digital (DVD) y/u otros elementos de memoria adecuados. Dicho(s) dispositivo(s) de memoria 152 se puede(n) configurar, en general, para almacenar instrucciones legibles por ordenador adecuadas que, cuando se implementan por el/los procesador(es) 150, configuran el/los controlador(es) 104, 108 para realizar diversas funciones como se describe en el presente documento.

[0015]Además, la red 110 que acopla el controlador de parque 108, los controladores de turbina 104 y/o los sensores de viento 106 en el parque eólico 100 puede incluir cualquier red de comunicación conocida, tal como una red alámbrica o inalámbrica, redes ópticas y similares. Además, la red 110 se puede conectar en cualquier topología conocida, tal como un anillo, un bus o un buje, y puede tener cualquier protocolo de resolución de conflictos conocido sin apartarse de la técnica. Por tanto, la red 110 está configurada para proporcionar comunicación de datos entre el/los controlador(es) de turbina 104 y el controlador de parque 108 casi en tiempo real.

[0016]En referencia ahora a la FIGS. 4 y 5, se ilustran un procedimiento 200 y sistema 300 para controlar una turbina eólica, tal como una de las turbinas eólicas 102 en el parque eólico 100. Más específicamente, la FIG. 4 ilustra un diagrama de flujo de un procedimiento 200 para controlar una turbina eólica de acuerdo con la presente divulgación, mientras que la FIG. 5 ilustra un diagrama esquemático de un sistema 300 para controlar una turbina eólica de acuerdo con la presente divulgación. En general, como se muestra en la FIG. 4, el procedimiento 200 se describe en el presente documento como implementado para controlar la turbina eólica 102 y/o el parque eólico 100 descritos anteriormente. Sin embargo, se debe apreciar que el procedimiento 200 divulgado se puede usar para operar cualquier otra turbina eólica y/o parque eólico que tenga cualquier configuración adecuada. Además, aunque la FIG. 4 representa las etapas realizadas en un orden particular con propósitos de ilustración y análisis, los procedimientos descritos en el presente documento no se limitan a ningún orden o disposición particular. Un experto en la técnica, usando las divulgaciones provistas en el presente documento, apreciará que se pueden omitir, reorganizar, combinar y/o adaptar diversas etapas de los procedimientos de diversos modos.

[0017]Como se muestra en (202), el procedimiento 200 incluye detectar, por medio de un controlador, una pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica 102 a partir de una pluralidad de análisis diferentes. Se debe entender que el controlador configurado para implementar el procedimiento puede ser el controlador de parque 108, uno o más de los controladores de turbina 104 y/o cualquier otro controlador adecuado localizado dentro del parque eólico 200 o remoto del parque eólico 200. Además, como se entiende, en general, las turbinas eólicas, en general, incluyen una pluralidad de análisis de rendimiento, que, en general, se refieren a datos recopilados y analizados asociados con el rendimiento de la turbina eólica que son o pueden ser categorizados, almacenados y/o analizados para estudiar diversas tendencias o patrones en los datos.

[0018]Por tanto, en un modo de realización, como se muestra en la FIG. 5, el sistema 300 puede incluir un controlador 302 (tal como uno de los controladores de turbina 104 o el controlador a nivel de parque 108) que recibe diversos resultados analíticos relacionados con el rendimiento de potencia de una o más de las turbinas eólicas 102 como se muestra en 304. Dichos resultados analíticos, por ejemplo, se pueden calcularse por medio de una variedad de análisis de rendimiento. Además, como se muestra en 308, el controlador 302 está configurado para detectar diversos resultados analíticos de rendimiento, que se pueden relacionar con el ratio de producción de curva de potencia (por ejemplo, bajo o alto; curva de potencia contractual), umbral de curva de potencia (por ejemplo, curva de aprendizaje a nivel de parque), histórico de curva de potencia, residual de curva de potencia (por ejemplo, comparación promedio de parque) y/o conjunto de potencia (por ejemplo, un modelo de aprendizaje a nivel de turbina; agnóstico de anemómetro).

[0019]Más en particular, como se describe en el presente documento, las turbinas eólicas con "conjunto de potencia", en general, se refieren a turbinas eólicas que se identifican como características significativas en la determinación de la potencia de una turbina de interés. En consecuencia, la validación del conjunto de potencia utiliza la potencia media de turbinas eólicas de referencia clave para determinar las expectativas de potencia. El conjunto de potencia para una turbina eólica dada se determina por las turbinas eólicas que están más correlacionadas con una turbina eólica de interés y que, en conjunto, proporcionan la incertidumbre más baja en la determinación del rendimiento de la turbina eólica de interés. Las ventajas del conjunto de potencia son que la incertidumbre se reduce al usar potencia solo de múltiples sensores.

[0020]En referencia, de nuevo, a la FIG. 4, como se muestra en (204), el procedimiento 200 incluye analizar, por medio del controlador 302, la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica 102. Por ejemplo, en un modo de realización, el controlador 302 puede filtrar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia, por ejemplo, por medio de un filtro de paso bajo, un filtro de paso alto, un filtro de paso de banda o combinaciones de los mismos. Más específicamente, como se muestra en la FIG. 5 en 306, el controlador 302 puede filtrar los resultados analíticos antes de la detección del tipo de análisis de rendimiento. De acuerdo con la invención, el controlador 302 analiza los resultados analíticos usando análisis de componentes principales o factorización para reducir una serie de dimensiones en los resultados analíticos.

[0021]Todavía en referencia a la FIG. 5, el controlador 302 también se puede configurar para analizar los resultados analíticos organizando los resultados analíticos en, al menos, un primer conjunto de datos 310 y un segundo conjunto de datos 312. En dichos modos de realización, el primer conjunto de datos 310 de la pluralidad de conjuntos de datos analíticos puede incluir datos de un primer periodo de tiempo y el segundo conjunto de datos 312 puede incluir datos de un segundo periodo de tiempo. Como tal, el primer periodo de tiempo puede ser mayor que el segundo periodo de tiempo. Por ejemplo, como se muestra, el primer conjunto de datos 310 puede incluir datos a largo plazo (por ejemplo, un par de meses), mientras que el segundo conjunto de datos 312 puede incluir datos a corto plazo (por ejemplo, una semana).

[0022]Por tanto, en referencia, de nuevo, a la FIG. 4, como se muestra en (206), el procedimiento 200 incluye generar o construir, por medio del controlador 302, al menos un modelo basado en ordenador 314 del rendimiento de potencia de la turbina eólica 102 usando al menos una parte de la pluralidad analizada de resultados analíticos. Se debe entender que se puede generar cualquier número de modelos, de modo que se pueda crear un modelo separado para subconjuntos de conjuntos de características, de modo que la ausencia de uno o más análisis de características no evite que el algoritmo opere apropiadamente.

[0023]Por ejemplo, en un modo de realización particular, se puede utilizar regresión lineal por pasos (“stepwise”) para construir el/los modelo(s) 314. En general, la regresión lineal por pasos añade o retira características de uno en uno en un intento de obtener el mejor modelo de regresión sin ajuste excesivo. Además, la regresión por pasos típicamente tiene dos variantes, incluyendo regresión hacia adelante y hacia atrás, estando ambas dentro del alcance y espíritu de la invención. Por ejemplo, la regresión por pasos hacia delante es un procedimiento por pasos de construcción de un modelo por adición sucesiva de variables independientes. En cada etapa, se comparan modelos con y sin una variable independiente potencial, y el modelo más grande se acepta solo si da lugar a un ajuste significativamente mejor de los datos. De forma alternativa, la regresión por pasos hacia atrás comienza con un modelo con todas las variables independientes y retira los términos que no sean estadísticamente significativos en términos de modelado de una variable de respuesta.

[0024]Otro procedimiento estadístico que se puede usar para generar el modelo 314 puede ser un algoritmo de operador de contracción y selección mínima absoluta (LASSO). En general, un algoritmo de LASSO minimiza la suma residual de cuadrados sujeta a la restricción de que la suma del valor absoluto de los coeficientes sea menor que una constante. Todavía otro algoritmo estadístico que se puede usar para generar el modelo 314 es un algoritmo M5 Prime (M5P), que es un algoritmo de regresión basado en árboles que es eficaz en muchos dominios. Por ejemplo, mientras que la regresión lineal por pasos produce un único modelo lineal global para los datos, los algoritmos de regresión basados en árboles realizan pruebas lógicas sobre características para formar una estructura de árbol. En general, el algoritmo M5P utiliza un modelo de regresión lineal en cada nodo del árbol, lo que proporciona modelos más especializados. También se puede usar un modelo de aprendizaje automático que incluya necesariamente dirección junto con la media del grupo de conjunto de potencia para determinar el derecho (“entitlement”) (es decir, las expectativas de potencia). Esto se puede considerar una mejora sobre los procedimientos previos que filtran datos en sectores de dirección específicos (que, a continuación, forman modelos separados para cada sector). Otros procedimientos de aprendizaje automático que se pueden usar para generar el modelo 314 también pueden incluir modelos de procedimientos gaussianos, modelos de bosque aleatorio, máquinas de vectores de soporte y/o un microservicio, que se analiza con más detalle en el presente documento.

[0025]En referencia, de nuevo, a la FIG. 4, como se muestra en (208), el procedimiento 200 también incluye entrenar (por ejemplo, por medio de aprendizaje automático), por medio del controlador 302, el/los modelo(s) basado(s) en ordenador 314 del rendimiento de potencia de la turbina eólica 102 usando resultados analíticos anotados 316 relacionados con el rendimiento de potencia de la turbina eólica 102. En consecuencia, en referencia, de nuevo, a la FIG. 4, como se muestra en (210), el procedimiento 200 incluye estimar una magnitud de potencia de la turbina eólica 210 usando el al menos un modelo basado en ordenador de aprendizaje automático 314.

[0026]Por ejemplo, en un modo de realización, como se muestra en la FIG. 5 en 318, el controlador 302 está configurado para entrenar continuamente el/los modelo(s) basado(s) en ordenador determinando continuamente la magnitud de potencia de la turbina eólica 102 por medio del modelo 314. Por tanto, como se muestra en 320, un anotador humano puede clasificar, a continuación, cada una de las magnitudes de potencia recibidas del modelo 314 como un rendimiento insuficiente, un rendimiento excesivo o un rendimiento estándar y también puede anotar las magnitudes de potencia recibidas de la turbina eólica 102, es decir, corrigiendo las magnitudes de potencia recibidas. Como se usa en el presente documento, la anotación (por ejemplo, análisis anotados) en el aprendizaje automático se refiere, en general, a un procedimiento de etiquetar datos de una manera que se puedan reconocer por máquinas u ordenadores. Además, dicha anotación se puede completar manualmente por seres humanos, ya que los anotadores humanos pueden interpretar, en general, mejor la subjetividad, intención y ambigüedad dentro de los datos. Por tanto, las máquinas pueden aprender de los datos anotados reconociendo las anotaciones humanas con el tiempo. En algunos casos, la anotación se puede aprender por inteligencia artificial y/u otros algoritmos, tales como agrupamiento o aprendizaje semisupervisado, así como cualquier otro procedimiento de etiquetado exacto adecuado.

[0027]A continuación, las magnitudes de potencia anotadas se pueden alimentar al/a los modelo(s) 314 para el entrenamiento y/o la corrección. En determinados casos, como se muestra en 322, el anotador humano también puede determinar un análisis de causa raíz (“root cause”) de las magnitudes de potencia anotadas de la turbina eólica 102. Como se muestra en 316 y se menciona previamente, las magnitudes de potencia anotadas (y/o el análisis de causa raíz de las magnitudes de potencia anotadas) también se pueden almacenar en un conjunto de datos que se pueda usar para actualizar además el modelo 314 y/o para uso futuro.

[0028]En otras palabras, el controlador 302 puede incluir un algoritmo de aprendizaje automático supervisado que puede aplicar lo que se ha aprendido en el pasado a nuevos datos usando datos etiquetados para predecir el rendimiento futuro (como se muestra en 324). Comenzando a partir de la construcción del modelo, el algoritmo de aprendizaje produce una función inferida para hacer predicciones sobre los valores de salida (“output values”). Como tal, el controlador 302 puede proporcionar objetivos para cualquier nueva entrada después de suficiente entrenamiento. El algoritmo de aprendizaje también puede comparar su salida con la salida correcta prevista para encontrar errores para modificar el modelo en consecuencia.

[0029]En un modo de realización particular, como se muestra en la FIG. 6, se ilustra un diagrama esquemático de un modo de realización de una arquitectura de microservicio analítico 400 de acuerdo con la presente divulgación. Como se muestra, la interfaz de programa de aplicación (API) 402 analítica está configurada para enviar salidas del modelo de rendimiento de potencia 404 al controlador 302 que proporciona las salidas del modelo de rendimiento al modelo 314. A continuación, el modelo 314 entrena los datos con nuevos datos etiquetados. El almacén de modelos 406 se puede usar para almacenar el modelo entrenado, mientras que el archivo de modelo 408 se puede leer desde el almacén de modelos 406 y cargar para generar predicciones. La retroalimentación 410 de los ingenieros de campo permite mejorar el modelo 314 con el tiempo.

[0030]En consecuencia, como se muestra en la FIG. 4 en (212), el procedimiento 200 incluye implementar una acción de control cuando la magnitud de potencia de la turbina eólica 102 está fuera de un intervalo seleccionado (por ejemplo, por debajo de un umbral predeterminado o por encima de un umbral predeterminado). En un modo de realización, por ejemplo, la acción de control puede incluir generar una alarma. Se debe entender que la acción de control como se describe en el presente documento puede englobar además cualquier consigna o restricción adecuada por el controlador 302. Por ejemplo, en varios modos de realización, la acción de control puede incluir temporalmente reducir la potencia o aumentar la potencia de la turbina eólica 102.

[0031] El aumento de potencia (“up-rating”) o reducción de potencia (“de-rating”) de la turbina eólica 102 puede incluir aumentar o reducir la velocidad, aumentar o reducir el par de torsión o una combinación de ambos. Además, como se menciona, la turbina eólica 102 se puede reducir en potencia o aumentar en potenciapitcheandouna o más de las palas de rotor 22 alrededor de su eje depitch28. También temporalmente se puede reducir en potencia o aumentar en potencia la turbina eólica 10 orientando la góndola 106 para cambiar el ángulo de la góndola 106 con respecto a la dirección del viento. En otros modos de realización, el controlador 302 se puede configurar para accionar uno o más frenos mecánicos para reducir la velocidad de rotación de las palas de rotor 112. Todavía en otros modos de realización, el controlador 302 puede estar configurado para realizar cualquier acción de control apropiada conocida en la técnica. Además, el controlador 302 puede implementar una combinación de dos o más acciones de control.

[0032] Además, en varios modos de realización, el procedimiento 200 puede incluir determinar un nivel de incertidumbre asociado con la magnitud de potencia de la turbina eólica 102 y presentar, por medio de una interfaz de usuario 322 del sistema 302, el nivel de incertidumbre. La información de incertidumbre puede ser útil, ya que menos análisis pueden dar lugar a más incertidumbre en las decisiones/recomendaciones.

filtrar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia.

[0033] De acuerdo con la invención, analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además:

usar al menos uno de análisis de componentes principales o factorización para reducir una serie de dimensiones en la pluralidad de resultados analíticos.

[0034] En un ejemplo, analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además:

organizar, por medio del controlador, la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica en, al menos, un primer conjunto de datos y un segundo conjunto de datos, en el que el primer conjunto de datos de la pluralidad de conjuntos de datos analíticos comprende datos de un primer periodo de tiempo y el segundo conjunto de datos comprende datos de un segundo periodo de tiempo, siendo el primer periodo de tiempo mayor que el segundo periodo de tiempo.

[0035] En un ejemplo, entrenar el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando resultados analíticos anotados relacionados con el rendimiento de potencia de la turbina eólica comprende además:

recibir continuamente la magnitud de potencia de la turbina eólica;

clasificar cada una de las magnitudes de potencia recibidas de la turbina eólica como un rendimiento insuficiente, un rendimiento excesivo o un rendimiento estándar;

anotar las magnitudes de potencia recibidas de la turbina eólica; y

someter a aprendizaje automático el al menos un modelo basado en ordenador del rendimiento de potencia usando las magnitudes de potencia anotadas de la turbina eólica.

[0036] En un ejemplo, entrenar el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando resultados analíticos anotados relacionados con el rendimiento de potencia de la turbina eólica comprende además:

realizar un análisis de causa raíz de las magnitudes de potencia anotadas de la turbina eólica; y almacenar el análisis de causa raíz de las magnitudes de potencia de la turbina eólica para uso futuro.

Claims

REIVINDICACIONES

1. Un procedimiento para controlar una turbina eólica, comprendiendo el procedimiento:

detectar (202), por medio de un controlador, una pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica a partir de una pluralidad de análisis diferentes; analizar (204), por medio del controlador, la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica;

generar (206), por medio del controlador, al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando al menos una parte de la pluralidad analizada de resultados analíticos;

entrenar (208), por medio del controlador, el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando resultados analíticos anotados relacionados con el rendimiento de potencia de la turbina eólica;

estimar (210) una magnitud de potencia de la turbina eólica usando el al menos un modelo basado en ordenador de aprendizaje automático;

e implementar (212) una acción de control cuando la magnitud de potencia de la turbina eólica está fuera de un intervalo seleccionado;

en el que analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además

y en el que la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende al menos dos de los siguientes: ratio de producción bajo de curva de potencia, histórico de curva de potencia, residual de curva de potencia o conjunto de potencia.

2. El procedimiento de la reivindicación 1, en el que analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además:

3. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además: organizar, por medio del controlador, la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica en, al menos, un primer conjunto de datos y un segundo conjunto de datos.

4. El procedimiento de la reivindicación 3, en el que el primer conjunto de datos de la pluralidad de conjuntos de datos analíticos comprende datos de un primer periodo de tiempo y el segundo conjunto de datos comprende datos de un segundo periodo de tiempo, siendo el primer periodo de tiempo mayor que el segundo periodo de tiempo.

5. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que entrenar el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando los resultados analíticos anotados comprende además:

recibir continuamente la magnitud de potencia de la turbina eólica;

anotar las magnitudes de potencia recibidas de la turbina eólica; y

6. El procedimiento de la reivindicación 5, en el que entrenar el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando los resultados analíticos anotados comprende además: realizar un análisis de causa raíz de las magnitudes de potencia anotadas de la turbina eólica.

7. El procedimiento de la reivindicación 6, que comprende además almacenar el análisis de causa raíz de las magnitudes de potencia anotadas para uso futuro.

8. El procedimiento de cualquiera de las reivindicaciones precedentes, que comprende además determinar un nivel de incertidumbre asociado con la magnitud de potencia de la turbina eólica y presentar, por medio de una interfaz de usuario del controlador, el nivel de incertidumbre.

9. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el al menos un modelo basado en ordenador comprende una máquina de vectores de soporte.

10. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el al menos un modelo basado en ordenador es un microservicio.

11. Un sistema para controlar una turbina eólica, comprendiendo el sistema:

una pluralidad de análisis para generar una pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica;

un controlador acoplado en comunicación a la pluralidad de análisis, el controlador configurado para realizar una pluralidad de operaciones, comprendiendo la pluralidad de operaciones:

recibir la pluralidad de resultados analíticos de la pluralidad de análisis;

analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica;

generar al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando al menos una parte de la pluralidad analizada de resultados analíticos; entrenar, por medio del controlador, el al menos un modelo basado en ordenador del rendimiento de potencia de la turbina eólica usando resultados analíticos anotados relacionados con el rendimiento de potencia de la turbina eólica;

estimar una magnitud de potencia de la turbina eólica usando el al menos un modelo basado en ordenador de aprendizaje automático; e

implementar una acción de control cuando la magnitud de potencia de la turbina eólica está fuera de un intervalo seleccionado;

en el que analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además:

usar al menos uno de análisis de componentes principales o factorización para reducir una serie de dimensiones en la pluralidad de resultados analíticos;

en el que la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende al menos dos de los siguientes: ratio de producción bajo de curva de potencia, histórico de curva de potencia, residual de curva de potencia o conjunto de potencia.

12. El sistema de la reivindicación 11, en el que analizar la pluralidad de resultados analíticos relacionados con el rendimiento de potencia de la turbina eólica comprende además:

filtrar la pluralidad de resultados analíticos relacionados con la operación de la turbina eólica.