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

• Autores: Saavedra, Marcos David; Ibáñez, Bernabé; Inthamoussou, Fernando Ariel; Garelli, Fabricio
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ingeniería; aerogeneradores; cargas mecánicas de fatiga; redes neuronales recurrentes
• Institución: Universidad Nacional de La Plata

la evolución de la energía eólica se ha caracterizado por un notable aumento en el tamaño de los aerogeneradores, lo que generó la necesidad de emplear materiales cada vez más ligeros y, en consecuencia, estructuras más flexibles. Como resultado de este crecimiento, al objetivo clásico de maximizar la producción de energía se le ha añadido el de reducir las cargas mecánicas presentes en los aerogeneradores. Esto no solo prolonga su vida útil, sino que también reduce el costo de la energía generada. Por lo que resulta de suma importancia contar con medidas y/o estimaciones confiables de dichas cargas mecánicas para llevar a cabo análisis detallados de cargas, el monitoreo durante el funcionamiento y el diseño de controladores eficaces. Los métodos convencionales de estimación, como los observadores de Luenberger o los filtros de Kalman extendidos, han sido tradicionalmente empleados en la estimación de variables en sistemas dinámicos complejos. Estas técnicas de estimación clásica han sido estudiadas exhaustivamente en aerogeneradores. Por ejemplo, para la estimación de la velocidad del viento, estados dinámicos de la torre e identificación de parámetros inciertos o cargas de fatiga. Sin embargo, estos métodos clásicos dependen de modelos matemáticos de alta fidelidad que pueden ser difíciles de obtener cuando la dinámica del sistema es intrínsecamente no lineal y altamente compleja. En contraste, el enfoque basado en datos permite aprender dicha dinámica directamente a partir de los datos operacionales, sin necesidad de un modelado analítico detallado. Se ha demostrado que es posible emplear alternativas basadas en datos para la estimación de cargas mecánicas de fatiga en aerogeneradores, por ejemplo, a partir de Redes Neuronales Feedforward y métodos basados en Support Vector Regression. Aunque, muchas de ellas dependen puramente de datos actuales, sin considerar comportamientos temporales pasados. Para abordar esta limitación, se han desarrollado enfoques más sofisticados, como aquellos basados en Redes Neuronales Recurrentes (RNN), que permiten capturar dependencias temporales en los datos. Un ejemplo representativo se presenta en [8], donde se emplea un tipo especial de RNN llamado Red Neuronal de Memoria a Corto y Largo Plazo (LSTM) para la estimación de la velocidad del viento en un aerogenerador. Este trabajo presenta un estimador basado en una RNN para reconstruir el desplazamiento fore-aft en la torre de un aerogenerador, utilizando un conjunto reducido de señales de entrada fácilmente medibles. La selección de estas señales se fundamenta en un análisis de correlación respecto de la variable objetivo. Además, se demuestra que la RNN propuesta ofrece buenas estimaciones en las distintas regiones de operación sin requerir sensores adicionales a los comúnmente presentes en el lazo de control del aerogenerador. Los datos de entrenamiento fueron generados mediante un simulador de alta fidelidad ampliamente aceptado y certificado.
Facultad de Ingeniería