La importancia que la energía eólica ha cobrado en las últimas décadas es incuestionable. Tanto es así que más de un 23 % de la electricidad total que se produce en España es eólica, liderando junto a la fotovoltáica la producción de electricidad de todo el país.
Alberto Pliego Marugán, CUNEF Universidad
No obstante, transformar la energía cinética del viento en electricidad de manera eficiente no es una tarea fácil. Para incrementar esta eficiencia y la rentabilidad, el desarrollo de los parques eólicos modernos viene acompañado de un incremento no solo del número de aerogeneradores que componen los parques, sino también del tamaño de los mismos y de la complejidad de sus sistemas.
Esta modernización impacta directamente sobre uno de unos de los aspectos cruciales para la rentabilidad de un parque: la gestión del mantenimiento.
Mantener la salud de las turbinas
Los gastos de operación y mantenimiento de un parque eólico son muy relevantes. Estos costes son aún mayores en aquellos parques ubicados en áreas marítimas, conocidos como parques eólicos offshore, donde pueden llegar a suponer hasta un 30 % del coste total del ciclo de vida.
Además, hoy en día se comienzan a realizar instalaciones offshore de tipo flotante, una tecnología que abre las puertas a un aprovechamiento masivo de áreas marinas que hasta la fecha no se podían explotar por limitaciones técnicas, pero que plantea nuevos retos para la gestión del mantenimiento.
Como prueba del interés en este campo, el Gobierno de España, por ejemplo, ya está financiando algunos proyectos de investigación para el mantenimiento de parques eólicos flotantes, como el proyecto FOWFAM en el que están involucradas varias universidades.
Los problemas que pueden surgir en los diferentes sistemas de los aerogeneradores son de diversa índole. Por ejemplo, algunos de los sistemas que más fallos suelen producir son el sistema pitch –que regula la posición de las palas para “capturar” más o menos viento, similar a mover la vela de un barco–, la caja de engranajes y el propio generador.
A esta diversidad de posibles incidencias, se unen multitud de variables técnicas y económicas que hacen de la gestión del mantenimiento de parques eólicos un problema complejo. Por ejemplo, la previsión de viento, la disponibilidad de recursos para el mantenimiento (transporte, mano de obra, piezas), restricciones legales, tiempos de parada, demanda energética…
Esto ha dado lugar a multitud de estudios científicos que proponen estrategias para optimizar dicho mantenimiento. Si algo se puede deducir de todos ellos es que la mejor manera de perfeccionarlo es mediante el análisis de datos recogidos de los propios aerogeneradores; por ejemplo, datos de temperaturas, vibraciones, velocidades, corrientes, tensiones, etc… Estos proporcionan una fuente de información muy valiosa que permite obtener un diagnóstico sobre el estado de las turbinas.
Para disponer de estos datos es necesario equipar a las turbinas con sistemas que nos permitan adquirirlos. Entre ellos, unos de los más importantes son los llamados sistemas SCADA (Supervisory Control and Data Acquisition). Estos sistemas se encargan de obtener información y detectar posibles fallos mediante su análisis.
Cuando alguna variable supera ciertos umbrales previamente establecidos, el sistema genera una alarma que alerta a los operadores de la necesidad de una posible acción de mantenimiento. Sin embargo, estos sistemas de control no son infalibles.
Vigilando al vigilante
Por ejemplo, imagine que el sistema está registrando de forma continuada la temperatura de un rodamiento. Se ha configurado una alarma que se activará si el valor de esta temperatura es mayor de 90 ºC. Debido a una interferencia electromagnética o a un desajuste en un sensor, el sistema SCADA recibe una lectura incorrecta de 95 ºC.
El sistema SCADA genera esta alarma: ALERTA: Alta temperatura en rodamiento generador (95°C). Esto puede obligar a los operadores a realizar inspecciones, a reducir la carga o, incluso, a parar el aerogenerador para verificar el estado del rodamiento, cuando no existe un problema real en el mismo.
Entonces, ¿quién vigila al vigilante?, ¿qué ocurre si falla este sistema que determina qué acciones de mantenimiento son necesarias? Es aquí donde cobra especial relevancia la detección de falsas alarmas, que generan costes operativos, paradas innecesarias de producción y desgaste de recursos técnicos y humanos. Además, pueden impedir o dificultar la detección de un fallo o un problema real.
Las posibles causas de falsas alarmas pueden ser muy diversas. Desde factores ambientales como tormentas o ráfagas de viento repentinas, impacto de aves u otros objetos en las aspas hasta fallos en los sensores, fallos en las comunicaciones, o incluso umbrales de alarma mal ajustados.
En cualquier caso, plantea un reto importante para los investigadores detectar estas falsas alarmas. Para ello, se plantean soluciones a través del uso de técnicas avanzadas de análisis de datos.
La lógica difusa
Una de las técnicas que se propone como herramienta para la detección de falsas alarmas es el uso de modelos basados en lógica difusa. La lógica difusa constituye una forma de evaluar una variable de modo que el resultado final no es binario, es decir, no es simplemente verdadero o falso. Esto permite encajar los resultados en niveles intermedios, lo cual posibilita interpretar de forma más flexible la realidad.
La supervisión de datos a través de umbrales se ajusta a una lógica binaria. Si una variable se sale de su rango establecido, se disparará una alarma, y si no, no se activará. Sin embargo, el uso de la lógica difusa permite, a través de la correlación de todas las variables involucradas, clasificar las alarmas en distintos conjuntos en función de las probabilidades de que dichos avisos puedan resultar falsos. Así, se ajusta a los dos entornos ambientales en los que funcionan los aerogeneradores: a las irregularidades de las turbinas en tierra y a las condiciones más duras en el mar.
En definitiva, la lógica difusa ayuda a identificar aquellas alarmas que tienen altas probabilidades de ser falsas, aportando información muy útil para los operadores en la toma de decisiones.
Alberto Pliego Marugán, Docente en el Departamento de Métodos Cuantitativos de CUNEF, CUNEF Universidad
Este artículo fue publicado originalmente en The Conversation. Lea el original.
