Predicció de comportament d'aerogeneradors mitjançant informació creuada

Abstract

Títol: Predicció de comportament d’aerogeneradors mitjançant informació creuada. Autora: Xavier Micó Pérez Tutor: Dr. Pere Martí Puig Data: Gener del 2023 Paraules clau: Aerogeneradors, xarxes superficials, models de normalitat, predicció de comportament Aquest treball planteja predir el comportament de cinc aerogeneradors mitjançant informació creuada de les seves temperatures de funcionament. Per a aconseguir-ho es netegen els comportaments anòmals dels senyals i es fan servir xarxes superficials per a generar models de normalitat comparant el comportament real dels aerogeneradors amb el comportament predit per les xarxes. Després de netejar les dades establint llindars d’acceptació, s’exploren les dimensions ideals que han de tenir les xarxes per a obtenir el menor error possible. Un cop trobades, es creen els models de normalitat amb els que s’assoleix predir els comportaments i la volatilitat dels aerogeneradors podent així afirmar que és possible predir el seu comportament mitjançant informació creuada dels aerogeneradors veïns.

Title: Wind turbines behavior prediction with crossed information. Author: Xavier Micó Pérez Supervisor: Dr. Pere Martí Puig Date: January of 2023 Keywords: Wind turbines, Shallow networks, normality models, behavior prediction This work aims to predict the behavior of five wind turbines through cross information of their working temperatures. To achieve this, the anomalous behaviors of the signals are cleaned, and shallow networks are used to generate normality models by comparing the actual behavior of the wind turbines with the behavior predicted by the networks. After cleaning the data by establishing acceptance thresholds, the ideal dimensions that the networks should have, to obtain the lowest possible error, are explored. Once found, the normality models, with which the behavior and volatility of the wind turbines can be predicted, are created. Thus, being able to state that it is possible to predict their behavior through cross information from the neighboring wind turbines.