Análise e predição de falhas em aerogeradores utilizando deep learning

• Autor(a) principal: Nascimento, Matheus Vinícius Resende
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/242775
• topic: Aprendizado do computador; Aerogerador; Vibração; Turbinas eólicas; Energia eólica; Parque eólico; Energia - Fontes alternativas; Deep learning; Autoencoder; Vibration; Autoencoder; Wind turbine

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.