Análise e predição de falhas em aerogeradores utilizando deep learning

Abstract

Estamos vivendo em um período de transição energética, motivado por vários indicadores que comprovam que as ações humanas estão afetando o clima terrestre, no qual governos então reunindo esforços a fim de aumentar a participação de fontes renováveis de energia elétrica em suas matrizes energéticas, para reduzir as emissões de gases de efeito estufa. Neste contexto, o Brasil possui um grande potencial de energia eólica a ser explorado. Ao longo dos últimos 5 anos, a participação da energia eólica cresceu 53,67%, sendo responsável por 11,4% da capacidade instalada da matriz energética brasileira. Nesse cenário, este trabalho propõe o desenvolvimento de um modelo preditivo para auxiliar a operação e manutenção de parques eólicos localizados no Brasil. O objetivo é encontrar um modelo de deep learning capaz de prever falhas em aerogeradores utilizando dados de vibração e potência captados pelos sensores internos do aerogerador, além de comparar outras técnicas de machine learning. A resolução do problema foi dividida em três etapas sendo exploração, escolha do modelo e previsão. Para a criação do modelo, foram avaliadas algumas técnicas de aprendizado não supervisionado e semi supervisionado, como isolation forest, one class support vector machine e os autoencoders. Todos os modelos gerados foram avaliados utilizando as métricas de acurácia, precisão, recall, F1 score e AUC, sendo que o modelo que apresentou melhor resultado foi o deep autoencoder esparso, uma variação do autoencoder tradicional.

We are living in a period of energy transition, motivated by several indicators that prove that human actions are affecting the Earth’s climate, in which governments are joining efforts in order to increase the share of renewable sources of electricity in their energy mixes, to reduce greenhouse gas emissions. In this context, Brazil has a great potential for wind energy to be explored. Over the past 5 years, the share of wind energy has grown by 53.67%, accounting for 11.4% of the installed capacity of the Brazilian energy matrix. In this scenario, this work proposes the development of a predictive model to assist the operation and maintenance of wind farms located in Brazil. The objective is to find a deep learning model capable of predicting failures in wind turbines using vibration and power data captured by the internal sensors of the wind turbine, in addition to comparing other machine learning techniques. The resolution of the problem was divided into three steps: exploration, model choice and prediction. To create the model, some unsupervised and semi-supervised learning techniques were evaluated, such as isolation forest, one class support vector machine and autoencoders. All generated models were evaluated using the metrics of accuracy, precision, recall, F1 score and AUC, and the model that presented the best result was the sparse deep autoencoder, a variation of the traditional autoencoder