Machine Learning, inteligencia artificial al servicio de las renovables

Por Fernando Heredia – Fuente: Energía Online

Se trata de una herramienta usada en todo el mundo que empieza a instalarse en Argentina. Puede predecir fallas en equipos e incrementar la generación de los parques más de un 2%.

Estamos en el sistema operativo de Genneia. Patricio Neffa, Director de Innovación, Desarrollo y Project Management; elije uno de los 236 aerogeneradores que tienen funcionando a lo largo de los diferentes parques eólicos en todo el país y empieza a chequear sus signos vitales como si fuera un médico analizando a un paciente: el sistema del grupo hidráulico, la regulación del Pitch, la multiplicadora, el sistema del generador y del transformador.

“Acá desde Olivos puedo monitorear, operar y supervisar lo que pasa en todas nuestras plantas del país y, si quisiera, puedo abrir o cerrar interruptores con un click y comandar la operación de nuestra planta a 1.200 km de distancia”, explica mientras examina los datos.

Sin embargo, esta avanzada herramienta de SCADA independiente, que es manejada por muy pocas empresas en Argentina, todavía requiere de un complejo procesamiento de toda esa información, lo que no logra ofrecer la automatización necesaria para tomar decisiones claves que se anticipen a las frecuentes fallas de maquinaria: un problema que se profundiza en la Argentina por su lejana ubicación geográfica y sus trabas para importar algunas piezas.

[Genneia y PAE inauguraron el Parque Eólico Chubut Norte III]

En ocasiones, el cambio de un repuesto puede demorar unos cuatro meses entre que se autoriza la importación, llega el barco desde Europa o China, se aprueban los permisos en la Aduana y se envía hasta la Patagonia. Todo un período en el cual, ese panel o molino no pudo generar energía y provocó una importante pérdida de ingresos.

“La persona que se sienta en mi lugar tiene que controlar 617 MW operativos de eólica que equivalen a 236 turbinas, más 280 mil paneles solares, 6 turbinas a gas, 11 inversores, estaciones de seccionamiento y muchas otras cosas más. Es como tener una flota inmensa de coches de marca y modelos diferentes para hacer el service. No es lo mismo. Y encima los tenés a 1.200 km de distancia. La suma de todo eso da una complejidad muy importante para resolver”, grafica Patricio.

El Machine Learning puede incrementar la generación de un parque en un 2%, lo que podría representar un ingreso adicional de entre 350.000 y 500.000 dólares al año.

Es por eso que, en Genneia, este año iniciaron una prueba piloto para incorporar Machine Learning, la tecnología que está revolucionando la gestión de parques renovables en los países más desarrollados.

“Por definición, Machine Learning significa enseñar a una máquina o un algoritmo a realizar tareas. La diferencia entre el paradigma tradicional y el aprendizaje automático es que nunca le diremos a la computadora exactamente qué hacer. La dejaremos descubrir patrones o le daremos muestras de lo que queremos”, cuenta Tomás Criado a EOL, el CEO de Epical y Board Member de Atome, uno de los proveedores argentinos de herramientas de Machine Learning.

Para dar una idea del impacto que puede tener en la industria, en Atome calculan que; gracias a los pronósticos de vientos, la prevención de fallas y la optimización del mantenimiento; el Machine Learning puede incrementar la generación de un parque en un 2% “con un criterio conservador”, lo que, para una granja de 100 MW y un factor de carga del 50%, representaría un ingreso adicional de entre 350.000 y 500.000 dólares al año.

[La generación a través de renovables alcanzó un crecimiento interanual del 52%]

En Genneia el valor agregado de esta tecnología -desarrollada por la empresa Isotrol– lo miden como “avoided lost of production”, es decir, la posibilidad de evitar pérdidas de producción por tener equipos paralizados. Asumiendo que durante ese lapso de inactividad tendrían recursos eólicos o solares suficientes, suponen un ahorro en pérdidas de entre el 2,5% al 3,5% de la producción anual de energía. “Comprobamos que en un año y medio recuperamos la inversión realizada en incorporar esta herramienta. Sobre 20 años de vida útil que tiene un parque, traducidos a valor monetario, los beneficios son millonarios”, sostiene Neffa.

“Es la primera vez que se hace esto en el país. Somos de los pocos que tenemos una SCADA independiente para gestionar activos renovables y prácticamente los únicos que utilizamos las herramientas de gestión de activos digitales con Machine Learning de este SCADA. El piloto de Madryn fue muy exitoso (0,5% de recupero de energía o el equivalente de 9,6% de avoided loss of production) y ahora nos falta llevarlo a todos los activos de la compañía”, agrega.

¿Cómo funciona el Machine Learning?

El análisis avanzado de datos mediante aplicación de técnicas de Machine Learning permite tratar un enorme volumen de datos, procesarlos en tiempo real y generar información para la tomar una decisión que anticipe una falla. Para ello, los algoritmos comparan el desempeño operativo de un panel solar o un aerogenerador eólico, con el patrón de funcionamiento normal, detectando desvíos e indicando al operador las causas probables.

[Smart grids, las redes del futuro que ya son furor en el mundo]

“La herramienta va a aprender de patrones de comportamiento y te va a señalar desvíos sin que vos tengas que meterte y chequear cada una de las etapas. Te dice dos causas posibles y te genera una recomendación con una probabilidad del 80%”, indica Neffa y enumera algunos de los problemas más frecuentes que logran ser detectados antes de que generen consecuencias en la producción eléctrica: un tracker bloqueado, sobre temperatura de un generador o suciedad en los paneles.

La importancia del pronóstico del tiempo

Antes de construir un parque eólico, las generadoras instalan torres de medición de vientos de 80/120 metros para realizar estudios durante uno a dos años y comprobar el potencial del recurso a mediano y largo plazo. Pero una vez que el parque está operando, se trabaja con pronósticos meteorológicos a cuatro o cinco días vista que darán información clave para combinar con las herramientas de Machine Learning.

“Manejamos un grado de confiabilidad del 95% para los próximos tres días y del 90% para los próximos cinco. Y si, combinado con el Machine Learning, ya sabés cómo están funcionando las turbinas, se transforma en una enorme herramienta de pronóstico de generación. Es un dato vital que nos permite saber cuánta energía vamos a generar y nos da una gran previsión financiera”, aseguran en Genneia.

A su vez, el conocer el momento preciso en que no soplará viento, te da la posibilidad de planificar, en el horario adecuado, la reparación de aquellas máquinas en las que el Machine Learning detectó fallas. De modo que no se desperdicien horas de producción. Como el viento es fluctuante y en un mismo día podés tener un pico y un piso, lo más eficiente es aprovechar los valles para sacar a un equipo de funcionamiento.