Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes

Autores
Saavedra, Marcos David; Inthamoussou, Fernando Ariel; Ibáñez, Bernabé; Garelli, Fabricio
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La estimación en línea y precisa del desplazamiento fore-aft en aerogeneradores es esencial para su control y monitoreo, representando un desafío debido a su complejo comportamiento dinámico. Los métodos analíticos tradicionales requieren modelos de alta fidelidad difíciles de obtener en sistemas no lineales y altamente complejos. En este trabajo, se presenta un estimador basado en una Red Neuronal Recurrente (RNN) entrenada con datos operativos de un aerogenerador simulado. La metodología propuesta utiliza únicamente cinco señales eléctricas de fácil medición como entrada para estimar el movimiento fore-aft de la torre. Con el propósito de determinar las variables a medir para este fin, se propone la realización de un análisis de matrices de correlación. Los resultados obtenidos son satisfactorios para todo el rango de operación del aerogenerador. Este enfoque, basado en Inteligencia Artificial y apoyado en el análisis de correlación para la asignación de variables de entrada, ofrece una alternativa prometedora para abordar la estimación dinámica en este tipo de sistemas complejos al aprender las relaciones temporales directamente de los datos.
Instituto de Investigaciones en Electrónica, Control y Procesamiento de Señales
Materia
Ingeniería
Aerogenerador
Redes Neuronales Recurrentes
Estimación dinámica
Fore-aft
Aprendizaje Automático
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/167220
Acceder
id SEDICI_5fa493db6e37ea9686b918d208fbc20d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/167220
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentesSaavedra, Marcos DavidInthamoussou, Fernando ArielIbáñez, BernabéGarelli, FabricioIngenieríaAerogeneradorRedes Neuronales RecurrentesEstimación dinámicaFore-aftAprendizaje AutomáticoLa estimación en línea y precisa del desplazamiento fore-aft en aerogeneradores es esencial para su control y monitoreo, representando un desafío debido a su complejo comportamiento dinámico. Los métodos analíticos tradicionales requieren modelos de alta fidelidad difíciles de obtener en sistemas no lineales y altamente complejos. En este trabajo, se presenta un estimador basado en una Red Neuronal Recurrente (RNN) entrenada con datos operativos de un aerogenerador simulado. La metodología propuesta utiliza únicamente cinco señales eléctricas de fácil medición como entrada para estimar el movimiento fore-aft de la torre. Con el propósito de determinar las variables a medir para este fin, se propone la realización de un análisis de matrices de correlación. Los resultados obtenidos son satisfactorios para todo el rango de operación del aerogenerador. Este enfoque, basado en Inteligencia Artificial y apoyado en el análisis de correlación para la asignación de variables de entrada, ofrece una alternativa prometedora para abordar la estimación dinámica en este tipo de sistemas complejos al aprender las relaciones temporales directamente de los datos.Instituto de Investigaciones en Electrónica, Control y Procesamiento de Señales2023-11info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf598-603http://sedici.unlp.edu.ar/handle/10915/167220spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-766-230-0info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-22T17:25:27Zoai:sedici.unlp.edu.ar:10915/167220Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 17:25:27.826SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
title Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
spellingShingle Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
Saavedra, Marcos David
Ingeniería
Aerogenerador
Redes Neuronales Recurrentes
Estimación dinámica
Fore-aft
Aprendizaje Automático
title_short Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
title_full Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
title_fullStr Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
title_full_unstemmed Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
title_sort Estimación del fore-aft de un aerogenerador mediante redes neuronales recurrentes
dc.creator.none.fl_str_mv Saavedra, Marcos David
Inthamoussou, Fernando Ariel
Ibáñez, Bernabé
Garelli, Fabricio
author Saavedra, Marcos David
author_facet Saavedra, Marcos David
Inthamoussou, Fernando Ariel
Ibáñez, Bernabé
Garelli, Fabricio
author_role author
author2 Inthamoussou, Fernando Ariel
Ibáñez, Bernabé
Garelli, Fabricio
author2_role author
author
author
dc.subject.none.fl_str_mv Ingeniería
Aerogenerador
Redes Neuronales Recurrentes
Estimación dinámica
Fore-aft
Aprendizaje Automático
topic Ingeniería
Aerogenerador
Redes Neuronales Recurrentes
Estimación dinámica
Fore-aft
Aprendizaje Automático
dc.description.none.fl_txt_mv La estimación en línea y precisa del desplazamiento fore-aft en aerogeneradores es esencial para su control y monitoreo, representando un desafío debido a su complejo comportamiento dinámico. Los métodos analíticos tradicionales requieren modelos de alta fidelidad difíciles de obtener en sistemas no lineales y altamente complejos. En este trabajo, se presenta un estimador basado en una Red Neuronal Recurrente (RNN) entrenada con datos operativos de un aerogenerador simulado. La metodología propuesta utiliza únicamente cinco señales eléctricas de fácil medición como entrada para estimar el movimiento fore-aft de la torre. Con el propósito de determinar las variables a medir para este fin, se propone la realización de un análisis de matrices de correlación. Los resultados obtenidos son satisfactorios para todo el rango de operación del aerogenerador. Este enfoque, basado en Inteligencia Artificial y apoyado en el análisis de correlación para la asignación de variables de entrada, ofrece una alternativa prometedora para abordar la estimación dinámica en este tipo de sistemas complejos al aprender las relaciones temporales directamente de los datos.
Instituto de Investigaciones en Electrónica, Control y Procesamiento de Señales
description La estimación en línea y precisa del desplazamiento fore-aft en aerogeneradores es esencial para su control y monitoreo, representando un desafío debido a su complejo comportamiento dinámico. Los métodos analíticos tradicionales requieren modelos de alta fidelidad difíciles de obtener en sistemas no lineales y altamente complejos. En este trabajo, se presenta un estimador basado en una Red Neuronal Recurrente (RNN) entrenada con datos operativos de un aerogenerador simulado. La metodología propuesta utiliza únicamente cinco señales eléctricas de fácil medición como entrada para estimar el movimiento fore-aft de la torre. Con el propósito de determinar las variables a medir para este fin, se propone la realización de un análisis de matrices de correlación. Los resultados obtenidos son satisfactorios para todo el rango de operación del aerogenerador. Este enfoque, basado en Inteligencia Artificial y apoyado en el análisis de correlación para la asignación de variables de entrada, ofrece una alternativa prometedora para abordar la estimación dinámica en este tipo de sistemas complejos al aprender las relaciones temporales directamente de los datos.
publishDate 2023
dc.date.none.fl_str_mv 2023-11
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/167220
url http://sedici.unlp.edu.ar/handle/10915/167220
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-766-230-0
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
598-603
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846783715634577408
score 12.982451

Publicaciones similares