Inteligencia artificial aplicada a la operación y mantenimiento de aerogeneradores
Barra lateral del artículo
Contenido principal del artículo
Resumen
La inteligencia artificial (IA) ha revolucionado la industria de la energía eólica. Gracias a algoritmos de aprendizaje automático, la IA ha mejorado la predicción de la velocidad del viento, permitiendo una generación de energía más eficiente y la reducción de costos operativos. Así mismo, la IA ha demostrado ser útil en el análisis del rendimiento y mantenimiento de las turbinas eólicas, identificando patrones y anomalías para realizar trabajos predictivos, así como perfeccionar la eficiencia operativa. La aplicación de la IA en la energía eólica anticipa un futuro más prometedor y sostenible. La disponibilidad de datos confiables y la integración de energía eólica en las redes eléctricas son aspectos para considerar, pero los avances en algoritmos y capacidades de procesamiento continúan impulsando el potencial de la IA: con su capacidad para optimizar la generación de energía y mejorar el mantenimiento de las turbinas. La IA se posiciona como una herramienta clave para impulsar el crecimiento y desarrollo de la energía eólica a nivel mundial. En este trabajo se exponen los puntos más importantes de la aplicación de la IA en la operación y mantenimiento de aerogeneradores.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
International Atomic Energy Agency, "Health and Environmental Impacts of Electricity Generation Systems, Technical Reports Series No. 394," IAEA, Vienna, 1999.
S. Jha, J. Bilalovic, A. Jha, N. Patel and H. Zhang, "Renewable energy: Present research and future scope of Artificial Intelligence," Renewable and Sustainable Energy Reviews, vol. 77, no. 1364-0321, pp. 297-317, 2017.
IRENA, "Trends in Renewable Energy by Region-Dataset.," July 2022. [Online]. Available: https://www.irena.org/publications/2022/Jul/Renewable-Energy-Statistics-2022. [Accessed 13 August 2023].
M. Lei, S. Luan, J. Chuanwen, L. Hongling and Z. Yan, "A review on the forecasting of wind speed and generated power," Renewable and Sustainable Energy Reviews, vol. 13, no. 4, pp. 915-920, 2009.
A. Foley, P. Leahy, A. Marvuglia and E. McKeogh, "Current methods and advances in forecasting of wind power generation," Renewable Energy, vol. 37, no. 1, pp. 1-8, 2012.
J. Chatterjee and D. Dethlefs, "Scientometric review of artificial intelligence for operations & maintenance of wind turbines: The past, present and future," Renewable and Sustainable Energy Reviews, vol. 144, no. 1364-0321, p. 111051, 2021.
P. Krajinski, K. Günther and C. Sourkounis, "Advanced operation control in wind power plants using active wake control methods and artificial intelligence - state of research and concept for the project “SmartWind”," in 20th International Workshop on Large-Scale Integration of Wind Power into Power Systems as well as on Transmission Networks for Offshore Wind Power Plants (WIW 2021), Germany, IET, 2021, pp. 423-429.
P. Krajinski and C. Sourkounis, "Implementation of an Advanced Operation Control for AI-based Wind Farm Power Maximization Using Wake Redirection and Artificial Neural Networks," in IECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society, 2022, pp. 1-6.
J. Tautz-Weinert and S. Watson, "Using SCADA data for wind turbine condition monitoring – a review," IET Renewable Power Generation, vol. 11, no. 4, pp. 382-394, 2017.
L. Saidi, E. Bechhoefer, J. Ben Ali and M. Benbouzid, "Wind turbine high-speed shaft bearing degradation analysis for run-to-failure testing using spectral kurtosis," in 2015 16th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), 2015, pp. 267-272.
T. Uchida, K. Shibuya, G. Richmond-Navarro and W. R. Calderón-Muñoz, "A wind tunnel investigation of yawed wind turbine wake impacts on downwind wind turbine performances and wind loads," Wind Engineering, vol. 47, no. 3, pp. 655-670, 2023.
R. R. Singh, S. Banerjee, R. Manikandan, K. Kotecha, V. Indragandhi and S. Vairavasundaram, "Intelligent IoT Wind Emulation System Based on Real-Time Data Fetching Approach," IEEE Access, vol. 10, pp. 78253-78267, 2022.