Modelo de diagnóstico de fallas basado en un COA adaptativo de múltiples estrategias y un ELM de núcleo ponderado...

Área de la Ciencia:

• Sistemas de energía renovable
• Inteligencia artificial en ingeniería
• Diagnóstico y pronóstico de fallas

Sus antecedentes:

• La formación de hielo en las palas de los aerogeneradores tiene un impacto significativo en la eficiencia de la generación de energía y en la seguridad operativa.
• El diagnóstico preciso y rápido de las fallas de formación de hielo es crucial para una gestión eficaz de las turbinas eólicas.
• Los métodos de diagnóstico existentes pueden carecer de la precisión y la velocidad requeridas para aplicaciones en tiempo real.

Objetivo del estudio:

• Desarrollar un modelo de diagnóstico avanzado para las fallas de glaciación de las palas de los aerogeneradores.
• Mejorar el rendimiento de optimización y la precisión de diagnóstico de los modelos de aprendizaje automático existentes.
• Introducir un nuevo enfoque que combine la optimización metaheurística con el aprendizaje automático para la detección de fallos.

Principales métodos:

• Propuso un algoritmo de optimización de Coati adaptativo de múltiples estrategias (MACOA) con características mejoradas como el mapeo caótico de vuelos Lévy y una función de objetivo mejorada.
• Desarrolló una máquina de aprendizaje extremo de núcleo ponderado mejorado (IWKELM) optimizando los parámetros ponderados para tener en cuenta la distribución de la muestra.
• Integró MACOA con IWKELM y empleó el Bosque Aleatorio (RF) para la reducción de dimensionalidad para crear el modelo de diagnóstico MACOA-IWKELM.

Principales resultados:

• El modelo MACOA-IWKELM logró altas precisiones de diagnóstico del 92,22% y 96,94% en dos conjuntos de datos SCADA del mundo real.
• Se demostraron bajas desviaciones estándar en la precisión (2,53% y 1,92%) en 50 pruebas experimentales, lo que indica la estabilidad del modelo.
• Los experimentos comparativos confirmaron el rendimiento superior del modelo propuesto sobre otros métodos de diagnóstico.

Conclusiones:

• El modelo MACOA-IWKELM ofrece una solución robusta y precisa para la detección de fallas de hielo en las palas de los aerogeneradores.
• La integración de algoritmos avanzados de optimización con el aprendizaje automático mejora significativamente las capacidades de diagnóstico.
• Esta investigación contribuye a mejorar la fiabilidad y la eficiencia de los sistemas de energía eólica a través de una mejor detección de fallas.