Modelo algorítmico de clasificación para evaluación de temperatura de componentes para crear un sistema de índice de salud para aerogeneradores

• Autores: Castro Romero, Alvaro Moises, Conde Chumpitaz, Pedro Rafael
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14481
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14481
• Nivel de acceso: acceso abierto
• Materia: Energía eólica; Análisis térmico; Modelos predictivos; https://purl.org/pe-repo/ocde/ford#2.02.04

El sector eólico ha experimentado un crecimiento exponencial, casi duplicando su capacidad global de 486 GW en 2016 a 905 GW en 2023. Sin embargo, los componentes de los aerogeneradores presentan ciclos de vida no uniformes debido a la variabilidad de esfuerzos y temperaturas, lo que conduce a una degradación temprana. La falta de un método estandarizado para evaluar las temperaturas en componentes de diferentes fabricantes agrava este problema. Esta investigación se enfocó en el desarrollo de un modelo algorítmico para clasificar la temperatura en componentes críticos: multiplicadoras, rodamientos y transformadores. Para ello, se analizaron datos de 42 aerogeneradores durante un periodo de tres años, con mediciones cada quince minutos y 45 variables relevantes. La base de datos, obtenida bajo el procedimiento Osinergmin 304 y con información de operación del COES, permitió clasificar los estados de funcionamiento normal o falla. Se evaluó el rendimiento de múltiples algoritmos, como Linear Regression, Lasso, ElasticNet, KNN, Decision Tree y métodos de ensamble (Random Forest, Gradient Boosting, AdaBoost y Extra Trees). El modelo de ensamble Random Forest alcanzó el mejor desempeño, con un coeficiente de determinación (R²) de 0.770 (77%), un MSE de 15.894 °C², un RMSE de 3.519 °C y un MAE de 2.558 °C. Adicionalmente, el modelo Extra Trees demostró ser competitivo, con un R² de 0.749 (74.9%), confirmando la robustez de estas técnicas para el análisis térmico.