ES2998336T3

ES2998336T3 - Systems and methods for operating power generating assets

Info

Publication number: ES2998336T3
Application number: ES22156562T
Authority: ES
Inventors: Zhanpan Zhang; Scott Charles Evans; Peter Alan Gregg; Matthew David Pepple; Manuel Rodolfo Valdez; David William Eldridge; Benignos Ricardo Zetina; Andrew T Ferree
Original assignee: General Electric Renovables Espana SL
Current assignee: General Electric Renovables Espana SL
Priority date: 2021-03-19
Filing date: 2022-02-14
Publication date: 2025-02-19
Anticipated expiration: 2042-02-14
Also published as: EP4060430B1; CN115111115A; US20220302705A1; DK4060430T3; EP4060430A1; US11728654B2

Abstract

Se proporciona un sistema y un método para operar un activo generador de energía. En consecuencia, el controlador recibe al menos un conjunto de datos externos indicativos de una pluralidad de variables que afectan el rendimiento del activo generador de energía. El controlador también recibe al menos un conjunto de datos operativos indicativos del rendimiento del activo generador de energía. Se generan y entrenan una pluralidad de modelos de evaluación de producción para el activo generador de energía en función de los conjuntos de datos. A continuación, se genera una predicción de rendimiento para cada una de una pluralidad de combinaciones de modelo-variable y se implementa una acción de control en función de una de las predicciones de rendimiento. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistemas y procedimientos para operar activos de generación de potencia

Campo

[0001]La presente divulgación se refiere, en general, a activos de generación de potencia y, más en particular, a sistemas y procedimientos para operar activos de generación de potencia generando predicciones de rendimiento basadas en varias combinaciones modelo-variable.

Antecedentes

[0002]Como se divulga en el presente documento, los activos de generación de potencia pueden adoptar una variedad de formas y pueden incluir activos de generación de potencia que dependen de fuentes de energía renovables y/o no renovables. Los activos de generación de potencia que dependen de fuentes de energía renovables se pueden considerar, en general, una de las fuentes de energía más limpias y más respetuosas con el medio ambiente disponibles actualmente. Por ejemplo, las turbinas eólicas han obtenido una creciente atención a este respecto. Una turbina eólica moderna incluye típicamente una torre, un generador, una caja de engranajes, una góndola y una o más palas de rotor. La góndola incluye un conjunto de rotor acoplado a la caja de engranajes y al generador. El conjunto de rotor y la caja de engranajes están montados en una trama de soporte de bancada ubicada dentro de la góndola. Las palas de rotor capturan energía cinética del viento usando principios de perfil alar conocidos. Las palas de rotor transmiten la energía cinética en forma de energía de rotación para hacer girar un eje que acopla las palas de rotor a una caja de engranajes o, si no se usa una caja de engranajes, directamente al generador. A continuación, el generador convierte la energía mecánica en energía eléctrica y la energía eléctrica se puede transmitir a un convertidor y/o un transformador alojado dentro de la torre y posteriormente utilizar en una red de suministro. Los sistemas modernos de generación de potencia eólica adoptan típicamente la forma de un parque eólico que tiene múltiples generadores de turbina eólica que se pueden operar para suministrar potencia a un sistema de transmisión que proporciona potencia a una red eléctrica.

[0003]A menudo es deseable predecir la producción de potencia esperada del activo de generación de potencia. Por ejemplo, la predicción puede servir como base para un acuerdo de garantía de producción. Típicamente, dicha predicción se puede realizar usando medios convencionales que consideran una relación lineal entre una variable (por ejemplo, la velocidad del viento) y la producción de energía del activo de generación de potencia. A menudo, la variable se modela de manera retrospectiva a escala mensual. Este procedimiento convencional puede dar lugar a grandes variaciones en la estimación de la producción, especialmente cuando el tamaño de la muestra es pequeño. En consecuencia, puede ser deseable generar predicciones más precisas del rendimiento del activo de generación de potencia.

[0004]En vista de lo mencionado anteriormente, la técnica busca continuamente sistemas y procedimientos nuevos y mejorados para operar un activo de generación de potencia en base a predicciones de rendimiento para el activo de generación de potencia. Los documentos US2016/371405A1, US2011224926A1 y el artículo "Shortterm forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model" (Jinhua Zhanget al.)publicado por ELSEVIER en Apllied Energy 241 (2019) 229-244, divulgan sistemas de predicción de potencia para planes de potencia que usan datos de entrenamiento.

Breve descripción

[0005]Los aspectos y ventajas de la invención se expondrán, en parte, en la siguiente descripción, o pueden resultar evidentes a partir de la descripción, o se pueden aprender a través de la puesta en práctica de la invención.

[0006]En un aspecto, la presente divulgación se refiere a un procedimiento de acuerdo con la reivindicación 1.

[0007]En un modo de realización, la pluralidad de variables puede incluir, al menos, datos indicativos de la velocidad del viento y la dirección del viento a intervalos de muestreo del período de muestreo.

[0008]En un modo de realización adicional, la pluralidad de variables también puede incluir datos indicativos de al menos uno de una correlación temporal, temperatura, presión barométrica, densidad del aire, variación de la velocidad del viento con la altura, variación de la dirección del viento con la altura e intensidad de las turbulencias.

[0009]En otro modo de realización, la generación de la pluralidad de modelos de evaluación de producción también puede incluir generar, para cada uno de la pluralidad de modelos de evaluación de producción, un algoritmo estadístico o un algoritmo de aprendizaje automático configurado para determinar una función de transferencia óptima entre al menos dos variables de la pluralidad de variables y el rendimiento del activo de generación de potencia.

[0010]En un modo de realización, el/los conjunto(s) de datos externos puede(n) incluir un conjunto de datos ambientales modelados indicativos de una pluralidad de variables ambientales que afectan al activo de generación de potencia.

[0011]En un modo de realización adicional, el/los conjunto(s) de datos externos puede(n) incluir un conjunto de datos ambientales ensamblados a partir de un grupo de subsistemas de generación de potencia. En consecuencia, el procedimiento puede incluir recibir, por medio del controlador, una indicación de cada una de la pluralidad de variables desde cada uno de los subsistemas de generación de potencia del grupo en cada intervalo de muestreo del período de muestreo. A continuación, el controlador puede combinar la pluralidad de variables recibidas desde cada uno de la pluralidad de subsistemas de generación de potencia del grupo para generar un conjunto de datos ambientales de consenso indicativo de una pluralidad de variables ambientales de consenso que afectan al rendimiento del activo de generación de potencia.

[0012]En otro modo de realización, el/los conjunto(s) de datos externos puede(n) incluir una pluralidad de mediciones ambientales recogidas por un mástil meteorológico.

[0013]Aún en otro modo de realización, el entrenamiento de la pluralidad de modelos de evaluación de producción también puede incluir el entrenamiento de la pluralidad de modelos de evaluación de producción por medio de una pluralidad de variables ambientales obtenidas por medio del sensor ambiental del activo de generación de potencia.

[0014]En un modo de realización, al menos uno del/de los conjunto(s) de datos externos y del/de los conjunto(s) de datos operativos también pueden incluir al menos una entrada anómala para un intervalo de muestreo del período de muestreo. En consecuencia, el controlador puede generar, por medio de un algoritmo de imputación, un valor imputado para la entrada anómala para el intervalo de muestreo.

[0015]En un modo de realización adicional, el activo de generación de potencia puede incluir una turbina eólica.

[0016]En un modo de realización adicional, el activo de generación de potencia puede incluir una pluralidad de subsistemas de generación de potencia.

[0017]Aún en otro modo de realización, el activo de generación de potencia puede incluir un parque eólico, una instalación de generación de potencia solar y/o una instalación de generación de potencia híbrida.

[0018]En un modo de realización, el activo de generación de potencia puede ser uno de una pluralidad de activos de generación de potencia. En dicho modo de realización, las etapas a) a e) se pueden repetir para cada uno de la pluralidad de activos de generación de potencia. Además, el controlador puede establecer un orden de clasificación para cada uno de la pluralidad de activos de generación de potencia de acuerdo con una característica de predicción de rendimiento deseada. La implementación de la acción de control se puede basar en el orden de clasificación.

[0019]En un modo de realización adicional, la implementación de la acción de control puede incluir actualizar al menos uno de la pluralidad de activos de generación de potencia. En consecuencia, se puede establecer un umbral de actualización que corresponda a un incremento porcentual de la predicción del rendimiento en relación con el rendimiento del activo de generación de potencia según lo indicado por el conjunto de datos operativos. El incremento porcentual se puede atribuir a una potencial (“prospective”) actualización del activo de generación de potencia. Por tanto, la acción de control puede incluir actualizar la capacidad de generación de potencia del/de los activo(s) de generación de potencia que tenga(n) un incremento porcentual de la predicción de rendimiento que sea mayor que el umbral de actualización.

[0020]En un modo de realización adicional, la implementación de la acción de control puede incluir implementar un proceso de diagnóstico en al menos uno de la pluralidad de activos de generación de potencia. En consecuencia, se puede establecer un umbral de diagnóstico que puede ser indicativo de un déficit porcentual del rendimiento del/de los activo(s) de generación de potencia, según lo indicado por el conjunto de datos operativos, en relación con la predicción del rendimiento. De este modo, la acción de control puede incluir implementar un análisis de causa raíz para identificar la causa raíz del déficit porcentual.

[0021]En otro aspecto, la presente divulgación se refiere a un sistema de acuerdo con la reivindicación 14.

[0022]Estas y otras características, aspectos y ventajas de la presente invención se entenderán mejor con referencia a la siguiente descripción y reivindicaciones adjuntas. Los dibujos adjuntos, que se incorporan en esta memoria descriptiva y forman parte de la misma, ilustran modos de realización de la invención y, conjuntamente con la descripción, sirven para exponer los principios de la invención.

Breve descripción de los dibujos

[0023]Una divulgación completa y suficiente de la presente invención, incluyendo el mejor modo de la misma, dirigida a un experto en la técnica, se expone en la memoria descriptiva, 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 activo de generación de potencia configurado como una turbina eólica de acuerdo con la presente divulgación;

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

la FIG. 3 ilustra una pluralidad de turbinas eólicas configuradas como un parque eólico de acuerdo con la presente divulgación;

la FIG. 4 ilustra un diagrama esquemático de un modo de realización de un controlador de acuerdo con la presente divulgación;

la FIG. 5 ilustra un diagrama esquemático de un modo de realización de una lógica de control de un sistema para operar un activo de generación de potencia de acuerdo con la presente divulgación;

la FIG. 6 ilustra una representación gráfica de una relación entre un conjunto de datos operativos y dos variables de al menos un conjunto de datos externos de acuerdo con la presente divulgación; y

la FIG. 7 ilustra una representación tabular de predicciones de rendimiento para una pluralidad de combinaciones modelo-variable para un único activo de generación de potencia de acuerdo con la presente divulgación.

[0024]El uso repetido de caracteres de referencia en la presente memoria descriptiva y los dibujos pretende representar las mismas características o elementos, u otros análogos, de la presente invención.

Descripción detallada

[0025]Ahora se hará referencia en detalle a modos de realización de la invención, de los que uno o más ejemplos se ilustran en los dibujos. Cada ejemplo se proporciona a modo de explicación de la invención, no de limitación de la invención. De hecho, será evidente para los expertos en la técnica que se pueden realizar diversas modificaciones y variaciones en la presente invención sin apartarse del alcance de la invención definida por las reivindicaciones. Por ejemplo, características ilustradas o descritas como parte de un modo de realización se pueden usar 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 como dentro del alcance de las reivindicaciones adjuntas.

[0026]Los términos "acoplado", "fijo", "unido a" y similares se refieren tanto a acoplamiento, fijación o unión directos como a acoplamiento, fijación o unión indirectos por medio de uno o más componentes o características intermedios, a menos que se especifique de otro modo en el presente documento.

[0027]En general, la presente divulgación se refiere a un análisis basado en modelos de aprendizaje automático para operar un activo de generación de potencia. En particular, la presente divulgación puede incluir sistemas y procedimientos que facilitan la generación de una pluralidad de predicciones de rendimiento diferentes basadas en múltiples combinaciones modelo-variable diferentes durante un período específico. En consecuencia, se pueden emplear diversos algoritmos de aprendizaje automático para generar una variedad de modelos diferentes que pueden emular el rendimiento del activo de generación de potencia usando diferentes enfoques de modelado. Estos modelos pueden reflejar, por ejemplo, relaciones lineales o no lineales entre el rendimiento del activo de generación de potencia y diversas variables que pueden afectar al rendimiento del activo de generación de potencia. De este modo, los diversos modelos pueden generar predicciones de rendimiento correspondientes basadas en diversas variables, combinaciones de variables y/o intervalos de muestreo. Cada predicción de rendimiento puede incluir tanto una predicción de generación de potencia como un intervalo de confianza de la predicción.

[0028]Se debe apreciar que las variables descritas en el presente documento se refieren a conjuntos particulares de valores correspondientes a un factor particular en lugar de a mediciones particulares del mismo. Las variables pueden corresponder a diversos factores ambientales, tales como la velocidad del viento, la dirección del viento, la variación de la velocidad del viento con la altura, la temperatura, la densidad del aire, el nivel de humedad u otros factores similares. Por tanto, los modelos pueden reflejar relaciones lineales o no lineales entre el rendimiento de los activos de generación de potencia y el factor seleccionado. Por ejemplo, una combinación modelo-variable puede reflejar la relación entre el rendimiento y la velocidad del viento, mientras que una combinación modelovariable adicional puede reflejar la relación entre el rendimiento y la velocidad y dirección del viento.

[0029] A modo de ilustración, los sistemas y procedimientos divulgados en el presente documento pueden generar y utilizar las combinaciones modelo-variable A) a J) ilustradas a continuación:

Tabla 1

[0030] Cada una de las combinaciones modelo-variable A) a J) puede generar una predicción de rendimiento diferente para el activo de generación de potencia. Cada una de las diferentes predicciones de rendimiento puede representar un valor de generación de potencia esperado diferente y un intervalo de desviación esperado con respecto al valor predicho. Por ejemplo, determinar la predicción de rendimiento en base a un modelo no lineal de dos variables (por ejemplo, la combinación (A)) que tiene un intervalo de muestreo por hora puede dar como resultado que el intervalo de desviación esperado sea relativamente pequeño. Por el contrario, determinar la predicción de rendimiento en base a un modelo no lineal de una sola variable (por ejemplo, la combinación (I)) que tiene un intervalo de muestreo mensual puede dar como resultado un mayor rendimiento predicho, pero también un amplio intervalo de desviación esperado con respecto al de la combinación (A). Dado que diversas estrategias de implementación pueden requerir distintos grados de fiabilidad de las predicciones de rendimiento, la combinación modelo-variable, y la predicción de rendimiento correspondiente, en la que se basa una acción de control se puede seleccionar en base a determinadas consideraciones operativas. En otras palabras, la combinación modelo-variable óptima puede variar para cada estrategia de implementación.

[0031] Se debe apreciar que las diversas predicciones de rendimiento se pueden emplear en una variedad de aplicaciones. Por ejemplo, las diversas predicciones de rendimiento se pueden emplear en el establecimiento de acuerdos/garantías de producción, tales como los relacionados con los acuerdos de compra de potencia. Cuando se considera un acuerdo de este tipo, puede ser deseable seleccionar la combinación modelo-variable para la cual la incertidumbre en torno a la generación de potencia predicha sea la más baja con respecto a las predicciones de rendimiento restantes y, por lo tanto, la confianza en la generación de potencia predicha sea relativamente alta.

[0032] Como ejemplo adicional, las diversas predicciones de rendimiento se pueden emplear para analizar la conveniencia de una actualización contemplada en el activo de generación de potencia. Cuando se emplea de esta manera, puede ser deseable seleccionar la combinación modelo-variable que produzca la mayor magnitud de generación de potencia predicha con la menor incertidumbre.

[0033] A modo de otro ejemplo, se pueden emplear diversas combinaciones modelo-variable para analizar una pluralidad de activos de generación de potencia. Las predicciones de rendimiento resultantes para cada uno de los activos de generación de potencia pueden facilitar un orden de clasificación de los activos de generación de potencia. En base al orden de clasificación, se pueden seleccionar los activos de generación de potencia empleados para cumplir un objetivo operativo. Además, el orden de clasificación puede poner de relieve deficiencias de rendimiento en determinados activos de generación de potencia. Como resultado, se puede implementar un sistema de diagnóstico para determinar la causa raíz de la deficiencia de rendimiento en relación con los activos de generación de potencia restantes para facilitar su corrección.

[0034] Además, las diversas predicciones de rendimiento se pueden emplear para determinar al menos un modo operativo para el activo de generación de potencia. Por ejemplo, se pueden emplear diversas predicciones de rendimiento para determinar un límite de empuje óptimo o deseado, una velocidad de rotor objetivo y/o una potencia nominal.

[0035] En referencia ahora a los dibujos, la FIG. 1 ilustra una vista en perspectiva de un modo de realización de un activo de generación de potencia 100 de acuerdo con la presente divulgación. Como se muestra, el activo de generación de potencia 100 se puede configurar como una turbina eólica 114. En un modo de realización adicional, el activo de generación de potencia 100 se puede configurar, por ejemplo, como un activo de generación de potencia solar, una central hidroeléctrica, un generador de combustibles fósiles y/o un activo de generación de potencia híbrida.

[0036] En un modo de realización, tal como se representa en la FIG. 3, el activo de generación de potencia 100 se puede configurar como una instalación de generación de potencia 142. Como se ilustra en la FIG. 3, la instalación de generación de potencia 142 se puede configurar, en un modo de realización, como un parque eólico; sin embargo, en modos de realización adicionales, la instalación de generación de potencia 142 se puede configurar como una instalación de generación de potencia solar y/o una instalación de generación de potencia híbrida.

[0037] En un modo de realización adicional, el activo de generación de potencia 100 se puede configurar como una pluralidad de subsistemas de generación de potencia 146. Los subsistemas 148 se pueden configurar como turbinas eólicas 114, activos de generación de potencia solar, plantas hidroeléctricas, generadores de combustibles fósiles, activos de generación de potencia híbrida o una combinación de los mismos.

[0038] En referencia de nuevo a la FIG. 1, cuando se configura como una turbina eólica 114, el activo de generación de potencia 100 puede incluir, en general, una torre 102 que se extiende desde una superficie de soporte 104, una góndola 106 montada en la torre 102 y un rotor 108 acoplado a la góndola 106. El rotor 108 puede incluir un buje rotatorio 110 y, al menos, una pala de rotor 112 acoplada al buje 110 y que se extiende hacia fuera desde el mismo. Por ejemplo, en el modo de realización ilustrado, el rotor 108 incluye tres palas de rotor 112. Sin embargo, en un modo de realización adicional, el rotor 108 puede incluir un número mayor o menor que tres palas de rotor 112. Cada pala de rotor 112 puede estar espaciada alrededor del buje 110 para facilitar la rotación del rotor 108 para permitir que la energía cinética del viento se convierta en energía mecánica utilizable y, posteriormente, en energía eléctrica. Por ejemplo, el buje 110 se puede acoplar de forma rotatoria a un generador eléctrico 118 (FIG. 2) situado dentro de la góndola 106 para permitir que se produzca energía eléctrica.

[0039] El activo de generación de potencia 100 también puede incluir un controlador 200. Cuando se configura como una turbina eólica 114, el controlador 200 se puede configurar como un controlador de turbina centralizado dentro de la góndola 106. No obstante, en otros modos de realización, el controlador 200 puede estar ubicado dentro de cualquier otro componente de la turbina eólica 100 o en una ubicación fuera de la turbina eólica. Además, el controlador 200 se puede acoplar de forma comunicativa a cualquier pluralidad de los componentes del activo de generación de potencia 100 para controlar los componentes. Como tal, el controlador 200 puede incluir un ordenador u otra unidad de procesamiento adecuada. Por tanto, en varios modos de realización, el controlador 200 puede incluir instrucciones legibles por ordenador adecuadas que, cuando se implementan, configuran el controlador 200 para realizar diversas funciones diferentes, tales como recibir, transmitir y/o ejecutar señales de control de turbina eólica.

[0040] En referencia ahora a la FIG. 2, se ilustra una vista interna simplificada de un modo de realización de la góndola 106 de la turbina eólica 114 mostrada en la FIG. 1. Como se muestra, el generador 118 se puede acoplar al rotor 108 para producir potencia eléctrica a partir de la energía de rotación generada por el rotor 108. Por ejemplo, como se muestra en el modo de realización ilustrado, el rotor 108 puede incluir un eje de rotor 122 acoplado al buje 110 para su rotación con el mismo. Un rodamiento principal (“main bearing”) 144 puede sostener de forma rotatoria el eje de rotor 122. El eje de rotor 122 puede, a su vez, estar acoplado de forma rotatoria a un eje rápido 124 del generador 118 a través de una caja de engranajes 126 conectada a una trama de soporte de bancada (“bedplate”) 136. Como se entiende en general, el eje de rotor 122 puede proporcionar una entrada de par de torsión alto y velocidad baja a la caja de engranajes 126 como respuesta a la rotación de las palas de rotor 112 y del buje 110. La caja de engranajes 126 puede estar configurada entonces para convertir la entrada de par de torsión alto y velocidad baja en una salida de par de torsión bajo y velocidad alta para accionar el eje rápido 124 y, por tanto, el generador 118.

[0041] Cada pala de rotor 112 puede incluir también un mecanismo de control depitch120 configurado para hacer rotar cada pala de rotor 112 alrededor de su eje depitch116. Cada mecanismo de control depitch120 puede incluir un motor de accionamiento depitch128, una caja de engranajes de accionamiento depitch130 y un piñón de accionamiento depitch132. En dichos modos de realización, el motor de accionamiento depitch128 puede estar acoplado a la caja de engranajes de accionamiento depitch130 de modo que el motor de accionamiento depitch128 imparta fuerza mecánica a la caja de engranajes de accionamiento depitch130. De forma similar, la caja de engranajes de accionamiento depitch130 puede estar acoplada al piñón de accionamiento depitch132 para su rotación con el mismo. El piñón de accionamiento depitch132 puede, a su vez, estar en acoplamiento de rotación con un rodamiento depitch134 acoplado entre el buje 110 y una pala de rotor 112 correspondiente de modo que la rotación del piñón de accionamiento depitch132 cause la rotación del rodamiento depitch134. Por tanto, en dichos modos de realización, la rotación del motor de accionamiento depitch128 acciona la caja de engranajes de accionamiento depitch130 y el piñón de accionamiento depitch132, haciendo rotar, de este modo, el rodamiento depitch134 y la(s) pala(s) de rotor 112 alrededor del eje depitch116.

[0042]De forma similar, la turbina eólica 114 puede incluir uno o más mecanismos de accionamiento de orientación (“yaw drive mechanisms”) 138 acoplados de forma comunicativa al controlador 200, estando configurado cada mecanismo de accionamiento de orientación 138 para cambiar el ángulo de la góndola 106 con respecto al viento (por ejemplo, acoplándose a un rodamiento de orientación 140 de la turbina eólica 114). Se debe apreciar que el controlador 200 puede dirigir la orientación (“yawing”) de la góndola 106 y/o elpitcheadode las palas de rotor 112 para orientar de forma aerodinámica la turbina eólica 114 con respecto al viento que actúa sobre la turbina eólica 114, facilitando de este modo la producción de potencia.

[0043]En varios modos de realización, el activo de generación de potencia 100 puede incluir, al menos, un sensor ambiental 156 para monitorizar al menos una condición ambiental que afecta al activo de generación de potencia 100. En un modo de realización, el/los sensor(es) ambiental(es) 156 puede(n) ser, por ejemplo, una veleta, un anemómetro, un sensor LIDAR, un termómetro, un barómetro o cualquier otro sensor adecuado. En consecuencia, el/los sensores ambientales 156 puede(n) recopilar datos indicativos de la dirección del viento, velocidad del viento, variación de la velocidad del viento con la altura, ráfagas de viento, variación de la dirección del viento con la altura, presión atmosférica, gradiente de presión y/o temperatura. En al menos un modo de realización, el/los sensor(es) ambiental(es) 156 se puede(n) montar en la góndola 106 en una ubicación a sotavento (“downwind”) del rotor 108.

[0044]Se debe apreciar que el/los sensor(es) ambiental(es) 156 puede(n) incluir una red de sensores y se puede(n) situar lejos del activo de generación de potencia 100. Por ejemplo, en un modo de realización, el/los sensor(es) ambiental(es) 156 se puede(n) configurar como un mástil meteorológico 150.

[0045]Además, el activo de generación de potencia 100 puede incluir uno o más sensores operativos 158. El/los sensor(es) operativo(s) 158 se puede(n) configurar para detectar el rendimiento del activo de generación de potencia 100 en respuesta a la condición ambiental. El/los sensor(es) operativo(s) 158 se puede(n) configurar para monitorizar múltiples parámetros asociados al rendimiento y/o el estado de un componente del activo de generación de potencia 100. Por ejemplo, el/los sensor(es) operativo(s) 158 puede(n) monitorizar parámetros asociados a vibraciones, señales audibles, indicaciones visuales, posiciones angulares, velocidades de rotación, momentos de flexión, consumo de potencia, generación de potencia, temperatura y/u otros parámetros adecuados.

[0046]En un modo de realización, el/los sensor(es) operativo(s) 158 puede(n) ser, por ejemplo, un sensor de velocidad de rotación acoplado de forma operativa al controlador 200. Por ejemplo, el/los sensor(es) operativo(s) 158 puede(n) estar dirigido(s) al eje de rotor 122 del activo de generación de potencia 100, tal como la turbina eólica 114. El/los sensor(es) operativo(s) 158 puede(n) recopilar datos indicativos de la velocidad de rotación y/o la posición de rotación del eje de rotor 122 y, por tanto, del rotor 108 en forma de velocidad del rotor y/o azimut del rotor. El/los sensor(es) operativo(s) 158 puede(n), en un modo de realización, ser un tacómetro analógico, un tacómetro de corriente continua (CC), un tacómetro de corriente alterna (CA), un tacómetro digital, un tacómetro de contacto, un tacómetro sin contacto o un tacómetro de tiempo y frecuencia.

[0047]Todavía en referencia a la FIG. 2, en un modo de realización, el/los sensores operativos 158 se puede(n) configurar para recopilar datos indicativos de una respuesta del/de los componente(s) del activo de generación de potencia 100 a la(s) condición(es) ambiental(es) u otra carga. Por ejemplo, el/los sensor(es) operativo(s) 158 se puede(n) configurar para monitorizar parámetros eléctricos de la salida del activo de generación de potencia 100. De este modo, el/los sensor(es) operativo(s) 158 puede(n) ser un sensor de corriente, un sensor de tensión, sensores de temperatura, un sensor de potencia y/o un medidor de frecuencia que monitoriza la salida eléctrica del activo de generación de potencia 100.

[0048]A modo de otra ilustración, en un modo de realización, el/los sensor(es) operativo(s) 158 se puede(n) configurar como un extensómetro configurado para detectar una carga de tracción en el componente, tal como el rotor 108. En un modo de realización adicional, el/los sensor(es) operativo(s) 158 puede(n) incluir al menos uno de un acelerómetro, un sensor fotoóptico, un sensor acústico, un transductor, un sistema LIDAR, un sensor de vibración, un sensor de fuerza, un sensor de velocidad, un sensor piezoeléctrico, un sensor de posición, un inclinómetro y/o un sensor de par de torsión. En un modo de realización, el/los sensor(es) operativo(s) 158 se puede(n) configurar, por ejemplo, para recopilar datos de sensor indicativos de al menos una de entre una aceleración de góndola, una vibración de la torre 102, una flexión del eje de rotor 122, una característica acústica del activo de generación de potencia 100, una oclusión de un sensor óptico debido al paso de una pala del rotor 112, una discontinuidad de pala de rotor 112, una desviación horizontal y vertical del rotor 108 y/o una aceleración del rotor 108.

[0049]También se debe apreciar que, como se usa en el presente documento, el término "monitorizar" y variaciones del mismo indica que los diversos sensores del activo de generación de potencia 100 se pueden configurar para proporcionar una medición directa de los parámetros que se monitorizan o una medición indirecta de dichos parámetros. Por tanto, los sensores descritos en el presente documento se pueden usar, por ejemplo, para generar señales relacionadas con el parámetro que se monitoriza, que se pueden utilizar a continuación por el controlador 200 para determinar una condición o respuesta del activo de generación de potencia 100.

[0050]En referencia ahora a la FIG. 3, el activo de generación de potencia 100 está configurado como una instalación de generación de potencia 142 (por ejemplo, un parque eólico). Como se representa, la instalación de generación de potencia puede incluir una pluralidad de subsistemas de generación de potencia 148 (por ejemplo, turbinas eólicas 114) como se describe en el presente documento. Por ejemplo, como se muestra en el modo de realización ilustrado, la instalación de generación de potencia 142 puede incluir doce subsistemas de generación de potencia 148. Sin embargo, en otros modos de realización, la instalación de generación de potencia 142 puede incluir cualquier otro número de subsistemas de generación de potencia 148, tal como menos de doce subsistemas de generación de potencia 148 o más de doce subsistemas de generación de potencia 148. Se debe apreciar que las instalaciones de generación de potencia 142 pueden estar acopladas al controlador 200 y/o POI 152 por medio de enlaces de comunicación 154.

[0051]En referencia ahora a la FIGS. 4-7, se presentan varios aspectos de múltiples modos de realización de un sistema 300 para operar el activo de generación de potencia 100 de acuerdo con la presente divulgación. Por ejemplo, como se describe en el presente documento, el sistema 300 se puede utilizar para operar la turbina eólica 114 descrita anteriormente. Sin embargo, se debe apreciar que el sistema 300 divulgado se puede usar con cualquier otro activo de generación de potencia 100 que tenga cualquier configuración adecuada. Además, aunque la FIG. 5 representa etapas realizadas en un orden particular con propósitos de ilustración y análisis, los procedimientos y etapas descritos en el presente documento no se limitan a ningún orden o disposición particular. Un experto en la técnica, usando las divulgaciones proporcionadas en el presente documento, apreciará que se pueden omitir, reorganizar, combinar y/o adaptar diversas etapas del procedimiento de diversas maneras.

[0052]Como se muestra, en particular, en la FIG. 4, se ilustra un diagrama esquemático de un modo de realización de componentes adecuados que se pueden incluir dentro del controlador 200. Por ejemplo, como se muestra, el controlador 200 puede incluir uno o más procesadores 206 y dispositivos de memoria asociados 208 configurados para realizar una variedad de funciones implementadas por ordenador (por ejemplo, realizar los procedimientos, etapas, cálculos, y similares, y almacenar datos pertinentes divulgados en el presente documento). Además, el controlador 200 también puede incluir un módulo de comunicaciones 210 para facilitar las comunicaciones entre el controlador 200 y el/los activo(s) de generación de potencia 100 y sus componentes. Además, el módulo de comunicaciones 210 puede incluir una interfaz de sensor 212 (por ejemplo, uno o más convertidores de analógico a digital) para permitir que las señales transmitidas desde uno o más sensores, tales como el/los sensor(es) ambiental(es) 156 y/o el/los sensor(es) operativo(s) 158, se conviertan en señales que los procesadores 206 puedan entender y procesar. Se debe apreciar que los sensores se pueden acoplar de forma comunicativa al módulo de comunicaciones 210 usando cualquier medio adecuado. Por ejemplo, como se muestra en la FIG. 4, los sensores se pueden acoplar a la interfaz de sensor 212 por medio de una conexión por cable. Sin embargo, en otros modos de realización, los sensores 156, 158 se pueden acoplar a la interfaz de sensor 212 por medio de una conexión inalámbrica, tal como usando cualquier protocolo de comunicaciones inalámbricas adecuado conocido en la técnica. Adicionalmente, el módulo de comunicaciones 210 también se puede acoplar de forma operativa a un módulo de control de estado operativo 214 configurado para implementar una acción de control.

[0053]En un modo de realización, el controlador 200 se puede configurar como un controlador de activos y se puede integrar con el activo de generación de potencia 100. Por ejemplo, el controlador 200 se puede configurar como un controlador de turbina, un controlador de parque y/u otro controlador similar configurado para dirigir la operación del activo de generación de potencia 100. En un modo de realización adicional, el controlador 200 puede incluir una red distribuida de dispositivos informáticos. En dicho modo de realización, uno de los dispositivos informáticos distribuidos puede estar integrado con el activo de generación de potencia 100 mientras que un dispositivo informático adicional puede estar ubicado lejos del activo de generación de potencia, tal como en una instalación de diseño o fabricación.

[0054]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 (“programmable logic controller” o PLC), un circuito integrado específico de la aplicación y otros circuitos programables. Adicionalmente, el/los dispositivo(s) de memoria 208 puede(n) comprender, en general, uno o más elementos de memoria, incluyendo, pero sin limitarse a, un medio legible por ordenador (por ejemplo, una memoria de acceso aleatorio (“random access memory” o RAM)), un medio no volátil legible por ordenador (por ejemplo, una memoriaflash),un disquete, una memoria de solo lectura en disco compacto (“compact disc-read only memory” o CD-ROM), un disco magnetoóptico (“magneto-optical disk” o MOD), un disco versátil digital (“digital versatile disc” o DVD) y/u otros elementos de memoria adecuados. Dicho(s) dispositivo(s) de memoria 208 puede(n) estar configurado(s), en general, para almacenar instrucciones adecuadas legibles por ordenador que, cuando son implementadas por el/los procesador(es) 206, configuran el controlador 200 para realizar diversas funciones que incluyen, pero sin limitarse a, generar una pluralidad de modelos de evaluación de producción correspondientes a al menos un conjunto de datos externos y al menos un conjunto de datos operativos, entrenar los modelos de evaluación de producción y generar una predicción de rendimiento para cada una de una pluralidad de combinaciones modelovariable con el fin de implementar una acción de control como se describe en el presente documento, así como otras diversas funciones adecuadas implementadas por ordenador.

[0055]En referencia, en particular, a la FIG. 5, en un modo de realización, el controlador 200 del sistema 300 se puede configurar para recibir al menos un conjunto de datos externos 302 durante un período de muestreo 304 desde al menos una fuente que está separada del activo de generación de potencia 100. El/los conjunto(s) de datos externos 302 puede(n) ser indicativo(s) de una pluralidad de variables 306. La pluralidad de variables 306 puede afectar al rendimiento del activo de generación de potencia 100. El controlador 200 también se puede configurar para recibir al menos un conjunto de datos operativos 308 para el activo de generación de potencia 100 para el período de muestreo 304. El conjunto de datos operativos 308 puede ser indicativo del rendimiento del activo de generación de potencia 100, tal como en respuesta a las variables 306. Adicionalmente, el controlador 200 puede generar una pluralidad de modelos de evaluación de producción 310 para el activo de generación de potencia 100. Como se muestra en 312, el controlador 200 puede entonces entrenar (por ejemplo, por medio del aprendizaje automático) la pluralidad de modelos de evaluación de producción 310 por medio de los conjuntos de datos externos y operativos 302, 308. El entrenamiento de la pluralidad de modelos de evaluación de producción 310 puede correlacionar el rendimiento del activo de generación de potencia 100 en función de la pluralidad de variables 306. Una vez entrenada la pluralidad de modelos de evaluación de producción 310, el controlador 200 puede generar una predicción de rendimiento 314 durante un período de implementación predictiva 316 para cada combinación de una pluralidad de combinaciones modelo-variable 318 (FIG. 7). La pluralidad de combinaciones modelo-variable 318 puede incluir una pluralidad de combinaciones de cada uno de los modelos de evaluación de producción 310 y la pluralidad de variables 306. Cada predicción de rendimiento 314 puede incluir una predicción de generación de potencia 320 y un intervalo de confianza 322. Además, el controlador 200 puede implementar una acción de control 324 en base a una de las predicciones de rendimiento 314.

[0056]En un modo de realización, la pluralidad de variables 306 del/de los conjunto(s) de datos externos 302 puede incluir al menos dos variables independientes 306. En consecuencia, el rendimiento del activo de generación de potencia 100 (por ejemplo, la producción de potencia histórica 326 (FIG. 6)) se puede correlacionar en función de las dos variables independientes 306. Como se representa en la FIG. 6, la función de correlación entre el rendimiento del activo de generación de potencia 100 y las dos variables independientes 306 se puede visualizar como un gráfico tridimensional. Dado que los modelos de evaluación de producción 310 se pueden entrenar en base a la correlación del rendimiento (por ejemplo, la producción de potencia histórica 326) con las dos variables independientes 306, la predicción de rendimiento 314 se puede basar, por tanto, en el efecto proyectado de las dos variables independientes 306 sobre el rendimiento proyectado del activo de generación de potencia 100. Se debe apreciar que la utilización de al menos dos variables 306 por parte del controlador 200 puede facilitar predicciones de rendimiento de mayor fiabilidad 314 que las que se pueden obtener utilizando una sola variable 306.

[0057]También se debe apreciar que las variables 306 se refieren a conjuntos particulares de valores correspondientes a un factor particular que afecta al rendimiento del activo de generación de potencia 100, en lugar de a mediciones particulares del factor en un intervalo de muestreo particular. De este modo, cada una de la pluralidad de combinaciones modelo-variable 318 puede reflejar relaciones lineales o no lineales entre el rendimiento de los activos de generación de potencia y el factor seleccionado según lo modelado por un modelo de evaluación de producción particular 310. Por ejemplo, una combinación modelo-variable 318 puede reflejar la relación entre el rendimiento y la velocidad del viento 328, mientras que una combinación modelo-variable 318 adicional puede reflejar la relación entre el rendimiento y la velocidad y dirección del viento 328, 330.

[0058]Se debe apreciar además que la utilización de más de dos variables 306 puede refinar aún más la función de correlación, lo que incrementa de este modo la fiabilidad de la(s) predicción(es) de rendimiento 314. Si bien incrementa la fiabilidad de la predicción de rendimiento 314, la utilización de más de dos variables 306 también puede incrementar la complejidad de la recopilación de datos y/o su análisis. En consecuencia, puede ser deseable equilibrar los beneficios atribuibles al incremento de la fiabilidad de la(s) predicción(es) de rendimiento 314 con la complejidad incrementada de la recopilación de datos y/o su análisis.

[0059]Como se representa en la FIG. 6, en un modo de realización, la pluralidad de variables 306 del/de los conjunto(s) de datos externos 302 incluye tanto una velocidad del viento 328 como una dirección del viento 330 que afectan al rendimiento del activo de generación de potencia 100. El rendimiento del activo de generación de potencia 100 (por ejemplo, una producción de potencia histórica 326) en respuesta tanto a la velocidad del viento 328 como a la dirección del viento 330 puede reflejarse, por tanto, mediante el conjunto de datos operativos 308. La correlación simultánea de la velocidad del viento 328 y la dirección del viento 330 con el rendimiento histórico del activo de generación de potencia 100 puede facilitar predicciones de rendimiento de mayor fiabilidad 314 que las que se pueden obtener utilizando solo una de la velocidad o dirección del viento 328, 330. Por ejemplo, una turbina eólica 114 puede detectar una determinada velocidad del viento 328 desde una primera dirección y puede producir una primera cantidad de potencia. Sin embargo, cuando la misma velocidad del viento 328 proviene de una dirección diferente, la turbina eólica 114 puede producir una segunda cantidad de potencia, que es menor. Esto se puede atribuir, por ejemplo, a un flujo de aire perturbado (tal como un efecto de estela (“wake effect”)), una obstrucción, un límite operativo y/u otra condición. En consecuencia, desarrollar la predicción de rendimiento 314 solo en base a la velocidad o la dirección del viento 328, 330 puede reducir la precisión y/o la fiabilidad de la(s) predicción(es) de rendimiento 314 en relación con una predicción de rendimiento 314 basada en, al menos, la velocidad del viento 328 y la dirección del viento 330.

[0060]En un modo de realización, la pluralidad de variables 306 también puede incluir al menos una variable 306 adicional que puede definir además la correlación del rendimiento del activo de generación de potencia 100 con el/los conjunto(s) de datos externos 302. Por consiguiente, en un modo de realización, la pluralidad de variables 306 puede incluir al menos tres variables 306. Por ejemplo, la pluralidad de variables 306 puede incluir la velocidad del viento 328, la dirección del viento 330 y al menos una variable adicional 306. En un modo de realización, la variable adicional 306 puede ser una correlación temporal 332. La correlación temporal 332 puede relacionar el rendimiento del activo de generación de potencia 100 con un período de tiempo definido, tal como el día, la noche, una estación u otra medida similar. Por ejemplo, la correlación temporal 332 puede poner de relieve un cambio en el rendimiento del activo de generación de potencia 100 durante determinados períodos del año, tales como estaciones durante las cuales se pueden experimentar mayores velocidades del viento. En modos de realización adicionales, la(s) variable(s) 306 adicional(es) puede(n) incluir una medida de la variación de la velocidad del viento con la altura (“wind sheer”) 334, la intensidad de turbulencias 336 y/o medidas de otras variables (por ejemplo, temperatura, presión del aire, densidad del aire, niveles de humedad, variación de la velocidad del viento con la altura (“wind veer”), variación de la dirección del viento con la altura, intensidad de turbulencias, etc.) que puedan afectar al rendimiento del activo de generación de potencia 100.

[0061]En un modo de realización, el período de muestreo 304 puede incluir una pluralidad de intervalos de muestreo en los que se pueden recopilar datos que comprenden el/los conjunto(s) de datos externos 302 y/o el conjunto de datos operativos 308. El intervalo de muestreo se puede seleccionar para desarrollar conjuntos de datos externos y/u operativos 302, 308 que tengan una cantidad suficiente de puntos de datos históricos para respaldar el entrenamiento de los modelos de evaluación de producción 310. Los intervalos de muestreo se pueden establecer, por ejemplo, con una frecuencia mensual. En un modo de realización adicional, cada intervalo de muestreo puede corresponder a 24 horas. Aún en modos de realización adicionales, el intervalo de muestreo puede tener una duración menor o igual a 60 minutos (por ejemplo, un intervalo de muestreo de 10 minutos).

[0062]Todavía en referencia a la FIG. 5, en la invención, cada conjunto de datos externos y operativos 302, 308 se genera en un primer intervalo de muestreo 338 y al menos en un segundo intervalo de muestreo 340. El segundo intervalo de muestreo tiene una frecuencia/tasa de muestreo mayor en relación con el primer intervalo de muestreo 338. Por ejemplo, en un modo de realización, el primer intervalo de muestreo 338 puede corresponder a un intervalo de muestreo mensual, el segundo intervalo de muestreo 340 puede corresponder a un intervalo de muestreo diario, mientras que un tercer intervalo de muestreo puede corresponder a un intervalo de muestreo horario, con un conjunto de datos externos 302 y un conjunto de datos operativos 308 correspondientes a cada uno de los intervalos de muestreo. En dicho modo de realización, los diversos modelos de evaluación de producción 310 se pueden entrenar con las variables correspondientes 306 en cada uno de los intervalos de muestreo (como se representa en la Tabla 1). En otras palabras, en la invención, una primera parte 342 de los modelos de evaluación de producción 310 se genera en base al conjunto de datos externos 302 y al conjunto de datos operativos 308 que tengan el primer intervalo de muestreo 338. En la invención, una segunda parte 344 de los modelos de evaluación de producción 310 se genera en base al/a los conjunto(s) de datos externos 302 y al conjunto de datos operativos 308 que tengan el segundo intervalo de muestreo 340.

[0063]Se debe apreciar que las diferencias en la cantidad de puntos de datos generados por cada uno de los intervalos de muestreo durante el mismo período de muestreo 304 de duración pueden dar como resultado diferencias en los modelos de evaluación de producción 310 y, por lo tanto, pueden dar como resultado variaciones en las predicciones de rendimiento 314 para cada combinación modelo-variable 318.

[0064]En un modo de realización, el/los conjunto(s) de datos externos 302 y/o el/los conjunto(s) de datos operativos 308 pueden incluir al menos una entrada anómala para un intervalo de muestreo del período de muestreo 304. La entrada anómala puede ser un problema de calidad con una parte de los conjuntos de datos externos y/u operativos 302, 308. Por ejemplo, la entrada anómala puede ser el resultado de una medición inexacta de la velocidad del viento por parte de un anemómetro, una condición operativa restringida del activo de generación de potencia 100, la formación de hielo en una pala de rotor 112 y/o la falta de datos de producción de potencia para un intervalo de muestreo.

[0065]El impacto de la entrada anómala se puede mitigar por medio de la imputación de la entrada anómala. En consecuencia, el controlador 200 puede, en un modo de realización, emplear un algoritmo de imputación para generar un valor imputado 346 para la entrada anómala en el intervalo de muestreo. Por ejemplo, en un modo de realización, el controlador 200 puede utilizar el conjunto de datos operativos 308 para conocer las características de producción de potencia (por ejemplo, una curva de potencia) de un activo de generación de potencia 100. A continuación, el controlador puede utilizar la característica aprendida para estimar/imputar un valor de producción de potencia para los datos de producción de potencia que faltan.

[0066] En un modo de realización, el/los conjunto(s) de datos externos 302 pueden incluir un conjunto de datos ambientales modelado. El conjunto de datos ambientales modelado puede ser indicativo de una pluralidad de variables ambientales que pueden afectar al activo de generación de potencia 100. Por ejemplo, el/los conjunto(s) de datos externos 302 se puede(n) desarrollar a partir de modelos ambientales, tal como el modelo de Análisis retrospectivo de la era moderna para investigación y aplicaciones, versión 2 (“Modern-Era Retrospective anaylisis for Research and Applications, Version 2” o MERRA-2) u otros enfoques de reanálisis similares.

[0067] En un modo de realización adicional, el/los conjunto(s) de datos externos 302 puede(n) incluir una pluralidad de mediciones ambientales recopiladas por al menos un mástil meteorológico 150 (por ejemplo, una torre de medición). El/lo(s) mástil(es) meteorológico(s) 150 se puede(n) instalar en las proximidades del activo de generación de potencia 100 y puede(n) servir como ubicación de montaje para el/los sensor(es) ambiental(es) 156. En consecuencia, el/los mástil(es) meteorológico(s) 150 puede(n) incluir un anemómetro, una veleta, un barómetro, un hidrómetro, un termómetro y/u otro instrumento meteorológico similar configurado para recopilar mediciones indicativas de las variables 306 que afectan al rendimiento del activo de generación de potencia 100.

[0068] En otro modo de realización, el/los conjunto(s) de datos externos 302 puede(n) incluir un conjunto de datos ambientales ensamblado a partir de un grupo de subsistemas de generación de potencia 148 del activo de generación de potencia 100. En consecuencia, el controlador 200 puede recibir una indicación de cada una de la pluralidad de variables 306 desde cada uno de los subsistemas de generación de potencia 148 del grupo en cada intervalo de muestreo del período de muestreo 304. A continuación, el controlador puede combinar la pluralidad de variables 306 recibidas desde cada uno de los subsistemas de generación de potencia 148 para generar un conjunto de datos ambientales de consenso indicativo de una pluralidad de variables ambientales de consenso 306 que afectan al rendimiento del activo de generación de potencia 100. Por ejemplo, en un modo de realización que involucra una pluralidad de turbinas eólicas 114, el controlador 200 puede recibir una indicación de consigna de orientación (“yaw setpoint”) desde cada una de las turbinas eólicas 114. Dado que las turbinas eólicas 114 están optimizadas, en general, para alinearse en paralelo a la dirección del viento 330, las consignas de orientación combinadas de un grupo designado de turbinas eólicas 114 pueden proporcionar una indicación de consenso de la dirección del viento predominante 330 que afecta al activo de generación de potencia 100. La utilización de datos obtenidos de un grupo de subsistemas de generación de potencia 148 para determinar una condición ambiental que afecta al activo de generación de potencia 100 se describe con más detalle en la solicitud de patente de EE. UU. n.°: 17/027.789.

[0069] Todavía en referencia a la FIG. 5, en un modo de realización, el controlador 200 puede generar y entrenar la pluralidad de modelos de evaluación de producción 310 para el activo de generación de potencia 100. La generación de los modelos de evaluación de producción 310 puede, en un modo de realización, incluir generar un algoritmo estadístico o un algoritmo de aprendizaje automático para cada uno de la pluralidad de modelos de evaluación de producción 310, así como entrenar los algoritmos por medio de los conjuntos de datos externos y operativos 302, 308. En consecuencia, el algoritmo estadístico o el algoritmo de aprendizaje automático se puede configurar para determinar una función de transferencia óptima 341 entre al menos dos variables 306 de la pluralidad de variables 306 y el rendimiento del activo de generación de potencia 100 como se refleja en el/los conjunto(s) de datos operativos 308.

[0070] Por ejemplo, en un modo de realización, se puede utilizar una regresión por etapas para generar y entrenar al menos uno de los modelos de evaluación de producción 310. En general, la regresión por etapas añade o elimina características de una en una en un intento de obtener el mejor modelo de regresión sin ajuste excesivo. Además, la regresión por etapas tiene típicamente dos variantes que incluyen regresión hacia adelante y hacia atrás, ambas dentro del alcance de la invención. Por ejemplo, la regresión por etapas hacia adelante es un proceso por etapas de generación de un modelo mediante la adición sucesiva de variables predictivas. En cada etapa, se comparan modelos con y sin una variable de predicción potencial, y el modelo más grande solo se acepta si da lugar a un ajuste significativamente mejor de los datos. De forma alternativa, la regresión por etapas hacia atrás comienza con un modelo con todos los predictores y elimina los términos que no son estadísticamente significativos para modelar la variable de respuesta.

[0071] Otro procedimiento estadístico que se puede emplear en un modo de realización para generar y entrenar al menos uno de los modelos de evaluación de producción 310 puede ser un algoritmo de operador de selección y reducción absoluta mínima (“least absolute shrinkage and selection operator” o LASSO). En general, un algoritmo LASSO minimiza la probabilidad logarítmica negativa sujeta a la restricción de que la suma del valor absoluto de los coeficientes sea menor que una constante. Otro algoritmo estadístico que se puede emplear para generar y entrenar al menos uno de los modelos de evaluación de producción 310 es el 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 por etapas puede producir un único modelo lineal global para los datos, los algoritmos de regresión basados en árboles pueden realizar pruebas lógicas con las 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.

[0072]En un modo de realización adicional, otros procedimientos de aprendizaje automático que se pueden emplear para generar y entrenar los diversos modelos de evaluación de producción 310 pueden incluir, por ejemplo, modelos de proceso gaussiano, modelos de bosques aleatorios, redes neuronales, redes neuronales profundas y/o máquinas de vectores de soporte. Además, el controlador 200 puede emplear un modelo aditivo generalizado (“Generalized Additive Model” o GAM) para desarrollar los uno o más modelos de evaluación de producción 310. En un modo de realización, el GAM puede implementar un enfoque de embolsado(bagging)y refuerzo(boosting).En un modo de realización adicional, el GAM puede implementar un procedimiento despline.Se debe apreciar que el sistema 300 puede emplear combinaciones de los algoritmos estadísticos o algoritmos de aprendizaje automático divulgados en el presente documento para determinar la combinación modelo-variable 318 que genera la predicción de rendimiento 314 más deseable para un objetivo operativo dado.

[0073]Además del/de los conjunto(s) de datos externos 302, el controlador 200 puede, en un modo de realización, estar configurado para recibir una pluralidad de variables ambientales 348 del sensor ambiental 156 del activo de generación de potencia 100. A continuación, el controlador 200 puede incorporar la pluralidad de variables ambientales 348 monitorizadas por el sensor ambiental 156 del activo de generación de potencia 100 en el entrenamiento de los modelos de evaluación de producción 310. Se debe apreciar que la percepción de la pluralidad de variables ambientales 348 por parte del activo de generación de potencia 100 puede afectar a diversas consignas del activo de generación de potencia 100 y, por lo tanto, al rendimiento del activo de generación de potencia 100. En consecuencia, la inclusión de la pluralidad de variables ambientales 348 monitorizadas por el activo de generación de potencia 100 en el entrenamiento de los modelos de evaluación de producción 310 puede facilitar el refinamiento de la función de correlación.

[0074]En un modo de realización, después del entrenamiento de los modelos de evaluación de producción 310, los modelos de evaluación de producción 310 se pueden probar para determinar la precisión de los modelos de evaluación de producción 310. Para facilitar la prueba, una parte de los conjuntos de datos externos y operativos 302, 308 correspondientes a un período de muestreo específico se puede excluir de los conjuntos de datos empleados en el entrenamiento de los modelos de evaluación de producción 310. A continuación, el controlador 200 puede emplear la parte retenida del/de los conjunto(s) de datos externos 302 para modelar el rendimiento del activo de generación de potencia 100 bajo las condiciones indicadas por la parte retenida. A continuación, el rendimiento modelado se puede comparar con la parte retenida del/de los conjunto(s) de datos operativos 308 para determinar la precisión del modelo de evaluación de producción 310.

[0075]Como se representa en la FIG. 7, cada una de las combinaciones modelo-variable 318 puede generar una predicción de rendimiento 314 diferente para el activo de generación de potencia 100. Cada predicción de rendimiento 314 puede tener una diferencia en la predicción de generación de potencia 320 y/o el intervalo de confianza 322. Las diferencias en las predicciones de rendimiento 314 se pueden atribuir a diferencias de modelado, selección de variables y/o los intervalos de muestreo del período de muestreo 304. En consecuencia, se puede seleccionar una combinación modelo-variable óptima 318 de la pluralidad de combinaciones modelovariable 318 en base a los objetivos operativos y/o las limitaciones operativas del activo de generación de potencia 100.

[0076]A modo de ilustración, al emplearse el sistema 300 para predecir la producción de energía del activo de generación de potencia 100 con el fin de formar un acuerdo de garantía de energía, la combinación óptima modelovariable 318 puede ser la combinación modelo-variable 318 que tenga el intervalo de confianza 322 más estrecho. En dicho modo de realización, el intervalo de confianza 322 puede indicar que un intervalo de desviación entre la predicción de generación de potencia 320 y una producción de potencia real para el activo de generación de potencia 100 puede ser más pequeño que el que se puede lograr usando otras combinaciones modelo-variable 318. En otras palabras, la combinación óptima modelo-variable seleccionada 318 puede indicar que la producción de potencia real del activo de generación de potencia puede no desviarse significativamente de la predicción de generación de potencia 320. Por tanto, se puede confiar en la predicción de generación de potencia 320 para formar un acuerdo de garantía de energía.

[0077]A modo de otra ilustración, en un modo de realización, las predicciones de rendimiento 314 se pueden emplear para determinar si se puede obtener un beneficio suficiente de una actualización del activo de generación de potencia 100 para justificar el coste de la actualización. En dicho modo de realización, la combinación óptima modelo-variable 318 puede ser la combinación modelo-variable 318 que tenga la mayor predicción de generación de potencia 320 y el intervalo de confianza 322 más estrecho. En otras palabras, la combinación óptima modelovariable 318 puede, en dicho modo de realización, no ser la combinación modelo-variable 318 que tenga la mayor predicción de generación de potencia global 320 si la predicción va acompañada de un intervalo de confianza 322 relativamente amplio.

[0078]En referencia de nuevo a la FIG. 5, en un modo de realización, el controlador 200 puede implementar al menos una acción de control 324 basada en las predicciones de rendimiento 314. Por ejemplo, en un modo de realización, la(s) acción(es) de control 324 puede(n) incluir generar una alerta. La generación de la alerta puede facilitar la programación de un evento de mantenimiento para abordar una predicción de rendimiento 314 que es menor que un valor esperado y/o incluye un grado significativo de variabilidad potencial. En consecuencia, la alerta puede incluir una señal auditiva, una señal visual, una notificación, una entrada del sistema y/o cualquier otro sistema que pueda identificar una posibilidad de que el activo de generación de potencia 100 no satisfaga una expectativa de rendimiento y, por lo tanto, un posible fallo en el activo de generación de potencia 100. Se debe apreciar que la(s) acción(es) de control 324 como se describe en el presente documento puede(n) incluir además cualquier instrucción (“command”) o restricción adecuada por parte del controlador 200. Por ejemplo, en un modo de realización, la(s) acción(es) de control 324 puede(n) incluir reducir (“de-rating”) temporalmente la potencia del activo de generación de potencia 100. Adicionalmente, en un modo de realización, la(s) acción(es) de control 324 puede(n) incluir limitar una operación de al menos un componente del activo de generación de potencia 100. Por ejemplo, la(s) acción(es) de control 324 puede(n) limitar unpitcheadode una pala de rotor 112 y/o la orientación de la góndola 106 de la turbina eólica 114.

[0079]En un modo de realización, el activo de generación de potencia puede ser uno de una pluralidad de activos de generación de potencia 160. Por ejemplo, en un modo de realización, el activo de generación de potencia 100 puede ser uno de varios parques eólicos, y cada parque eólico constituye un activo de generación de potencia 100 diferente. En un modo de realización adicional, el activo de generación de potencia 100 puede ser una pluralidad de subsistemas de generación de potencia 146 correspondientes a una parte de una instalación de generación de potencia (por ejemplo, un parque eólico) de modo que la instalación de generación de potencia puede incluir una serie de pluralidades de subsistemas de generación de potencia 146 (por ejemplo, varias agrupaciones de subsistemas de generación de potencia 148).

[0080]En un modo de realización en el que el activo de generación de potencia 100 es uno de una pluralidad de activos de generación de potencia 160, los procedimientos divulgados en el presente documento se pueden repetir para cada activo de generación de potencia 100 de la pluralidad de activos de generación de potencia 160. La repetición de las etapas de los procedimientos divulgados en el presente documento para cada activo de generación de potencia 100 puede generar predicciones de rendimiento 314 para cada activo de generación de potencia 100 de la pluralidad de activos de generación de potencia 160. A continuación, en un modo de realización, el controlador 200 puede establecer un orden de clasificación 350 para cada uno de la pluralidad de activos de generación de potencia 160 de acuerdo con una característica de predicción de rendimiento deseada. La característica de predicción de rendimiento deseada puede corresponder a la predicción de generación de potencia 320, al intervalo de confianza 322 o a una combinación de los mismos.

[0081]En un modo de realización, la implementación de la(s) acción(es) de control 324 se puede basar en el orden de clasificación 350. Por ejemplo, el orden de clasificación 350 puede indicar qué activo de generación de potencia 100 de la pluralidad de activos de generación de potencia 160 puede tener más probabilidades de satisfacer una garantía de producción de potencia. Por lo tanto, el activo de generación de potencia identificado, que puede ser el activo de generación de potencia con la mayor clasificación, se puede emplear preferentemente en relación con la pluralidad restante de activos de generación de potencia 160 en un esfuerzo por satisfacer la producción de potencia requerida.

[0082]En un modo de realización, la implementación de la(s) acción(es) de control 324 puede implicar la actualización de al menos una parte de la pluralidad de activos de generación de potencia 160. De este modo, los modelos de evaluación de producción 310 se pueden modificar/enmendar para tener en cuenta las modificaciones/actualizaciones propuestas en el activo de generación de potencia 100. Por lo tanto, las predicciones de rendimiento 314 pueden reflejar el rendimiento esperado de cada uno de la pluralidad de activos de generación de potencia 160, en caso de que se lleve a cabo la actualización contemplada.

[0083]En un modo de realización en el que la(s) acción(es) de control 324 implica(n) actualizar al menos una parte de la pluralidad de activos de generación de potencia 160, la determinación de los activos de generación de potencia 100 que se actualizarán se puede basar, al menos en parte, en el orden de clasificación 350 de las predicciones de rendimiento 314 que reflejan los rendimientos esperados. De este modo, se puede establecer un umbral de actualización 352. El umbral de actualización 352 puede corresponder a un incremento porcentual en la predicción de rendimiento 314 en relación con un rendimiento actual (por ejemplo, producción de potencia) del activo de generación de potencia 100 como indica(n) el/los conjunto(s) de datos operativos 308. El incremento porcentual se puede atribuir a una actualización tecnológica del activo de generación de potencia 100. Como se representa en 354, se puede identificar un incremento en el rendimiento previsto, que es mayor que el umbral de actualización 352. Cuando el incremento en el rendimiento previsto es mayor que el umbral de actualización 352, el/los activo(s) de generación de potencia 100 correspondiente(s) se puede(n) actualizar, como se representa en 356.

[0084]En un modo de realización, la implementación de la(s) acción(es) de control 324 puede incluir implementar un proceso de diagnóstico en al menos uno de la pluralidad de activos de generación de potencia 160. En dicho modo de realización, se puede establecer un umbral de diagnóstico 358. El umbral de diagnóstico 358 puede ser indicativo de un déficit porcentual del rendimiento del activo de generación de potencia 100 en relación con las predicciones de rendimiento 314 para el resto de la pluralidad de activos de generación de potencia 160. Por ejemplo, el déficit porcentual puede indicar un déficit porcentual en relación con una mediana, u otra medida estadística, de las predicciones de rendimiento 314 para la pluralidad de activos de generación de potencia 160.

En consecuencia, como se representa en 360, se puede detectar un porcentaje predicho de déficit de rendimiento mayor que el umbral.

[0085]En un modo de realización en el que la desviación porcentual de la predicción de rendimiento 314 para un activo de generación de potencia 100 excede el umbral de diagnóstico 358, se puede implementar un análisis de causa raíz 362. El análisis de causa raíz 362 puede intentar identificar una causa raíz del déficit porcentual. Dicho análisis de causa raíz 362 se describe con más detalle en la solicitud de patente de EE. UU. n.°: 17/032.218.

[0086]Además, el experto en la técnica reconocerá la intercambiabilidad de diversas características de diferentes modos de realización. De forma similar, las diversas etapas de procedimiento y características descritas, así como otras equivalentes conocidas para cada uno de dichos procedimientos y características, se pueden mezclar y combinar por un experto en la técnica para crear sistemas y técnicas adicionales de acuerdo con los principios de esta divulgación. Por supuesto, se debe entender que no todos de dichos objetivos o ventajas descritos anteriormente se pueden lograr necesariamente de acuerdo con cualquier modo de realización particular. Por tanto, por ejemplo, los expertos en la técnica reconocerán que los sistemas y técnicas descritos en el presente documento se pueden realizar o llevar a cabo de manera que se logre u optimice una ventaja o grupo de ventajas como se enseña en el presente documento sin lograr necesariamente otros objetivos o ventajas que se puedan enseñar o sugerir en el presente documento.

[0087]Esta descripción escrita usa ejemplos para divulgar la invención, incluido el mejor modo, y también para permitir que cualquier experto en la técnica lleve la invención a la práctica, lo que incluye fabricar y usar cualquier dispositivo o sistema y realizar cualquier procedimiento incorporado. El alcance patentable de la invención se define por las reivindicaciones.

Claims

REIVINDICACIONES

i .Un procedimiento para operar un activo de generación de potencia, comprendiendo el procedimiento:

a) recibir, por medio de un controlador, al menos un conjunto de datos externos para un período de muestreo de al menos una fuente separada del activo de generación de potencia, siendo el conjunto de datos externos indicativo de una pluralidad de variables que afectan al rendimiento del activo de generación de potencia;

b) recibir, por medio del controlador, al menos un conjunto de datos operativos para el activo de generación de potencia para el período de muestreo, siendo el al menos un conjunto de datos operativos indicativo del rendimiento del activo de generación de potencia;

c) generar, por medio del controlador, una pluralidad de modelos de evaluación de producción para el activo de generación de potencia;

d) entrenar, por medio del controlador, la pluralidad de modelos de evaluación de producción por medio del al menos un conjunto de datos externos y del al menos un conjunto de datos operativos para correlacionar el rendimiento del activo de generación de potencia en función de la pluralidad de variables;

e) generar, por medio del controlador, una predicción de rendimiento durante un período de implementación predictiva para cada combinación de una pluralidad de combinaciones modelo-variable, en el que la pluralidad de combinaciones modelo-variable comprende una pluralidad de combinaciones de cada uno de los modelos de evaluación de producción y la pluralidad de variables, en el que cada predicción de rendimiento comprende una predicción de generación de potencia y un intervalo de confianza; e

f) implementar, por medio del controlador, una acción de control en base a una de las predicciones de rendimiento;

en el que cada uno del al menos un conjunto de datos externos y del al menos un conjunto de datos operativos se generan en un primer intervalo de muestreo y un segundo intervalo de muestreo, y en el que la generación de la pluralidad de modelos de evaluación de producción comprende además:

generar una primera parte de la pluralidad de modelos de evaluación de producción en base al al menos un conjunto de datos externos y al al menos un conjunto de datos operativos que tienen el primer intervalo de muestreo; y

generar una segunda parte de la pluralidad de modelos de evaluación de producción en base al al menos un conjunto de datos externos y al al menos un conjunto de datos operativos que tienen el segundo intervalo de muestreo, en el que el segundo intervalo de muestreo tiene una frecuencia más alta en relación con el primer intervalo de muestreo.
2.El procedimiento de la reivindicación 1, en el que la pluralidad de variables comprende, al menos, datos indicativos de la velocidad del viento y la dirección del viento en intervalos de muestreo del período de muestreo.
3.El procedimiento de la reivindicación 2, en el que la pluralidad de variables comprende además datos indicativos de al menos una de entre una correlación temporal, la temperatura del aire, la densidad del aire, la variación de la velocidad del viento con la altura, la variación de la dirección del viento con la altura y la intensidad de las turbulencias.
4.El procedimiento de cualquiera de las reivindicaciones precedentes, en el que generar la pluralidad de modelos de evaluación de producción comprende además generar, para cada uno de la pluralidad de modelos de evaluación de producción, un algoritmo estadístico o un algoritmo de aprendizaje automático configurado para determinar una función de transferencia óptima entre al menos dos variables de la pluralidad de variables y el rendimiento del activo de generación de potencia.
5.El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el al menos un conjunto de datos externos comprende un conjunto de datos ambientales modelados indicativos de una pluralidad de variables ambientales que afectan al activo de generación de potencia.
6.El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el al menos un conjunto de datos externos comprende un conjunto de datos ambientales ensamblado a partir de un grupo de subsistemas de generación de potencia, comprendiendo además el procedimiento:

recibir, por medio del controlador, una indicación de cada una de la pluralidad de variables desde cada uno de los subsistemas de generación de potencia del grupo en cada intervalo de muestreo del período de muestreo; y

combinar, por medio del controlador, la pluralidad de variables recibidas desde cada uno de los subsistemas de generación de potencia del grupo para generar un conjunto de datos ambientales de consenso indicativo de una pluralidad de variables ambientales de consenso que afectan al rendimiento del activo de generación de potencia.
7. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el al menos un conjunto de datos externos comprende una pluralidad de mediciones ambientales recopiladas por un mástil meteorológico.
8. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que entrenar la pluralidad de modelos de evaluación de producción comprende además entrenar la pluralidad de modelos de evaluación de producción por medio de una pluralidad de variables ambientales obtenidas por medio de un sensor ambiental del activo de generación de potencia.
9. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que al menos uno del al menos un conjunto de datos externos y el al menos un conjunto de datos operativos comprende además al menos una entrada anómala para un intervalo de muestreo del período de muestreo, comprendiendo además el procedimiento:

generar, por medio de un algoritmo de imputación del controlador, un valor imputado para la entrada anómala para el intervalo de muestreo.
10. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el activo de generación de potencia comprende una turbina eólica, y en el que el activo de generación de potencia comprende una pluralidad de subsistemas de generación de potencia.
11. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el activo de generación de potencia comprende uno de un parque eólico, una instalación de generación de potencia solar y una instalación de generación de potencia híbrida.
12. El procedimiento de cualquiera de las reivindicaciones precedentes, en el que el activo de generación de potencia es uno de una pluralidad de activos de generación de potencia, comprendiendo además el procedimiento:

repetir las etapas a) a e) para cada uno de la pluralidad de activos de generación de potencia; y establecer, por medio del controlador, un orden de clasificación para cada uno de la pluralidad de activos de generación de potencia de acuerdo con una característica de predicción de rendimiento deseada, en el que la implementación de la acción de control se basa en el orden de clasificación.
13. El procedimiento de la reivindicación 12, en el que implementar la acción de control comprende actualizar al menos uno de la pluralidad de activos de generación de potencia, comprendiendo además el procedimiento:

establecer un umbral de actualización correspondiente a un incremento porcentual de la predicción de rendimiento en relación con el rendimiento del activo de generación de potencia según lo indicado por el al menos un conjunto de datos operativos, siendo el incremento porcentual atribuible a una potencial actualización del activo de generación de potencia; y

actualizar una capacidad de generación de potencia del al menos un activo de generación de potencia que tiene un incremento porcentual de la predicción de rendimiento que es mayor que el umbral de actualización.
14. Un sistema para operar un activo de generación de potencia, comprendiendo el sistema:

al menos un sensor acoplado de forma operativa al activo de generación de potencia; y

un controlador acoplado de forma comunicativa al al menos un sensor, comprendiendo el controlador al menos un procesador configurado para realizar una pluralidad de operaciones, comprendiendo la pluralidad operaciones:

a) recibir al menos un conjunto de datos externos para un período de muestreo desde al menos una fuente separada del activo de generación de potencia, siendo el conjunto de datos externos indicativo de una pluralidad de variables que afectan al rendimiento del activo de generación de potencia, comprendiendo la pluralidad de variables, al menos, datos indicativos de la velocidad del viento y la dirección del viento en intervalos de muestreo del período de muestreo,

b) recibir al menos un conjunto de datos operativos para el activo de generación de potencia para el período de muestreo, siendo el al menos un conjunto de datos operativos indicativo del rendimiento del activo de generación de potencia,

c) generar una pluralidad de modelos de evaluación de producción para el activo de generación de potencia,

d) entrenar la pluralidad de modelos de evaluación de producción por medio del al menos un conjunto de datos externos y del al menos un conjunto de datos operativos para correlacionar el rendimiento del activo de generación de potencia en función de la pluralidad de variables,

e) generar una predicción de rendimiento durante un período de implementación predictiva para cada combinación de una pluralidad de combinaciones modelo-variable, en el que la pluralidad de combinaciones modelo-variable comprende una pluralidad de combinaciones de cada uno de los modelos de evaluación de producción y la pluralidad de variables, en el que cada predicción de rendimiento comprende una predicción de generación de potencia y un intervalo de confianza; e

f) implementar una acción de control en base a una de las predicciones de rendimiento;

en el que cada uno del al menos un conjunto de datos externos y del al menos un conjunto de datos operativos se generan en un primer intervalo de muestreo y un segundo intervalo de muestreo, y

en el que la generación de la pluralidad de modelos de evaluación de producción comprende además: generar una primera parte de la pluralidad de modelos de evaluación de producción en base al al menos un conjunto de datos externos y al al menos un conjunto de datos operativos que tienen el primer intervalo de muestreo; y generar una segunda parte de la pluralidad de modelos de evaluación de producción en base al al menos un conjunto de datos externos y al al menos un conjunto de datos operativos que tienen el segundo intervalo de muestreo, en el que el segundo intervalo de muestreo tiene una frecuencia más alta en relación con el primer intervalo de muestreo.