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

Abstract

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.