Aplicação de Machine Learning e Ferramentas Estatísticas para Modelagem e Análise de Falhas em Aerogeradores

Abstract

Atualmente a energia eólica demonstra significativa expressividade na matriz elétrica brasileira. Esse tipo de geração de energia exige, todavia, uma grande quantidade de máquinas em operação, uma vez que cada unidade de geração eólica (aerogerador) possui uma capacidade relativamente baixa de geração em comparação, por exemplo, com unidades de geração hidrelétricas. Dessa forma, o grande número de equipamentos gera um desafio para equipes de operação e manutenção dos parques eólicos. Nesse contexto, o presente trabalho tem como foco central a utilização de uma metodologia baseada em ferramentas matemáticas e estatísticas, além de modelos de Machine Learning, para modelar o comportamento de componentes dos aerogeradores, bem como estabelecer limites de normalidade para as curvas características (Curvas S) de cada aerogerador. Assim, busca-se desenvolver uma ferramenta de auxílio na identificação de problemas ou comportamentos anormais, ajudando dessa forma as equipes de operação e manutenção no aumento da vida útil e minimização de custos de reparos dos aerogeradores.

Nowadays, wind power has become an expressive component of the Brazilian energy matrix. This type of energy source requires a large number of generation units, since typically the generation capacity of an individual wind power generator is relatively lower, especially in comparison with hydro power generators. Thus, the large numbers of machines in operation poses an important challenge for the operation and maintenance teams of the so-called wind farms. In this context, the current work is focused at using a methodology based on statistical and mathematical tools, together with Machine Learning methods, to model the behavior of certain components of the wind generator, as well as establish normality boundaries for its characteristic curve (the S Curve). The final aim is to develop tools for helping the identification of problems and abnormal behavior, which can be of great importance for aiding operation and maintenance teams on increasing the service life of wind generators as well as on minimizing maintenance costs.