predicción y detección de averías en
Transcripción
predicción y detección de averías en
PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Eduardo Martínez-Cámara*, Emilio Jiménez-Macías**, Julio Blanco-Fernández**** y Juan Carlos Sáenz-Díez Muro** * Grupo Eólicas Riojanas. Tfno: +34 941 299524. [email protected] **Universidad de La Rioja. ETSII. Dpto. Ingeniería Eléctrica. Tfno: +34 941 299502 [email protected] ***Universidad de La Rioja. ETSII. Dpto. Ingeniería Mecánica. Tfno: +34 941 299526. [email protected] Recibido: 6/may/2013 -- Aceptado: 24/oct/2013 – DOI: http://dx.doi.org/10.6036/ES5708 FAILURE DETECTION AND PREDICTION IN WIND TURBINES BY USING SCADA DATA ABSTRACT: RESUMEN: This article proposes a method for predicting and detecting potential failures in the main components of a wind turbine, based on data collected by a built-in SCADA (Supervisory Control And Data Acquisition) monitoring system. Artificial intelligence techniques such as neural networks and boosted trees are used to model the behaviour of the system and to select optimal input parameters. Once the method has been defined, it is applied to an actual case study of a malfunction in a multiplier, with data from a wind farm located in la Rioja (Spain), owned by Grupo Eólicas Riojanas (GER). The combination of a detailed study of the optimal parameters for modelling the specific behaviour of the temperature of the multiplier and the development of a model based on neural networks enables the normal behaviour of a multiplier to be modelled effectively with no deterioration in its operation. This means that the potential processes of deterioration in the multiplier can be analysed regularly and consequently actions can be taken accordingly before an irreparable malfunction requiring replacement. Este artículo propone una metodología para la predicción y detección de posibles fallos de componentes principales de un aerogenerador, a partir de los datos recogidos por un sistema SCADA (Supervisory Control And Data Acquisition) de monitorización incorporado en el mismo. Para ello se aplican técnicas de inteligencia artificial, como redes neuronales o boosted trees, para el modelado del comportamiento y la selección óptima de los parámetros de entrada. Finalmente, una vez definida la metodología, se aplica a un caso real de avería en una multiplicadora con datos procedentes de un parque eólico propiedad del Grupo Eólicas Riojanas (GER) ubicado en La Rioja (España). La combinación de un estudio detallado de los parámetros óptimos para modelizar el comportamiento específico de la temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar de forma eficaz el comportamiento normal de la multiplicadora sin deterioro en su funcionamiento. Ello permite analizar de forma periódica el posible proceso de deterioro de la multiplicadora y actuar sobre ella antes de que se produzca una avería irreparable y que obligue a su sustitución. Keywords: Wind turbine; neural networks; boosted trees; maintenance; wind energy mantenimiento; energía eólica Palabras clave: Aerogenerador; redes neuronales; árboles de decisión; 1.- INTRODUCCION Las energías renovables han alcanzado una importancia relevante en la sociedad moderna, además de un inevitable incremento en un futuro inmediato. La causa fundamental de este auge es la necesidad de utilizar fuentes de energía alternativa a los combustibles fósiles y libres de emisiones de CO 2 y contaminación. Entre las energías renovables existentes, cabe destacar el espectacular desarrollo e implantación de la energía eólica, un mercado que ha crecido muy rápidamente en todo el mundo [1] y especialmente en España [2], de tal forma que el parque de MW instalados y en funcionamiento en España en 2011 asciende a 21.673 MW (Fig. 1) [3]. Por este motivo cada vez se pone más de manifiesto la necesidad de mejorar y optimizar las técnicas de mantenimiento aplicadas a estos sistemas de generación de energía eólica [4, 5]. Pag. 1 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Evolución anual y acumulada de la potencia eólica instalada 25000 120 Pot. Acumulada (MW) 100,7 20000 100 Pot. Instalada anual (MW) Tasa variación (%) 80 77,1 15000 MW 63,1 60 49,4 10000 43,1 40 37,0 30,3 5000 23,2 18,4 20 15,8 10,6 14,7 7,8 5,1 0 0 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 Años Fig. 1. Evolución anual y acumulada de la potencia eólica instalada: 1998-2011 Dentro de los distintos tipos de averías que se pueden producir en un aerogenerador [6], las más importantes en cuanto a tiempo de parada y pérdida de producción son aquéllas ligadas a fallos en alguno de los componentes principales del aerogenerador, especialmente, en aquéllas en las que se hace necesario el cambio de la multiplicadora del aerogenerador. En la Fig. 2 se puede ver una maniobra de cambio de multiplicadora y se pude apreciar el trabajo y el tiempo que supone, ya que se hace necesario la utilización de grandes grúas para el montaje y desmontaje de la multiplicadora y el eje principal, así como un trabajo previo de desacoplar y bajar el rotor completo, y por supuesto mano de obra especializada. Además hay que tener en cuenta que este tipo de maniobra sólo se puede realizar con poco viento, sobre todo por las limitaciones de seguridad que implica la bajada del rotor. En conclusión, el coste económico de la avería es elevado, y la detección previa de la misma podría suponer un considerable ahorro en la operación. Fig. 2. Maniobra de cambio de multiplicadora en aerogenerador Todo ello hace que cada vez se esté invirtiendo mayor esfuerzo los aspectos relativos al mantenimiento de parques eólicos, buscando mejorar las predicciones respecto al estado de los componentes y al momento idóneo para realizar los trabajos de mantenimiento [7, 8]. Ello lleva a buscar formas de detectar problemas o averías en este tipo de componentes a la mayor brevedad posible y, si es posible, aprovechando al máximo los datos de funcionamiento suministrados por el propio aerogenerador, sin necesidad de incluir nuevos componentes o equipos específicos de monitorización. Pag. 2 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento 2. MATERIAL Y MÉTODOS 2.1.- DESCRIPCIÓN DEL SISTEMA Con esa idea en mente y pensando concretamente en las necesidades específicas de un promotor de parques eólicos (Grupo Eólicas Riojanas-GER), se decidió realizar una investigación que tuviese como objetivo predecir con suficiente antelación la posible avería de una multiplicadora en base a los datos disponibles durante el funcionamiento normal de un aerogenerador. GER cuenta en la actualidad con 10 parques eólicos instalados en la comunidad autónoma de La Rioja, distribuidos en dos zonas geográficas. Para facilitar el desarrollo de un sistema automatizado para la detección de averías en estos aerogeneradores, lo primero que se requiere es centralizar y homogeneizar los datos recogidos de los diferentes aerogeneradores. En la Fig. 3 se puede ver la estructura de comunicación de desde los diferentes parques hasta el centro de control de la empresa. Las comunicaciones se realizan mediante tecnología SDH (Synchronous Digital Hierarchy). Fig. 3. Esquema general de comunicaciones La transmisión de los diferentes datos de monitorización y control del funcionamiento del aerogenerador se realiza mediante el estándar de comunicaciones industriales OPC (Ole for Proccess Control). En cada parque eólico hay instalado un sistema SCADA (Supervisory Control And Data Acquisition) local que cuenta con un servidor OPC para el envío de los datos recogidos de los aerogeneradores. Luego esos datos son recibidos, almacenados y analizados en un servidor central en las oficinas de la empresa. 2.2.- METODOLOGÍA El objetivo planteado es desarrollar una metodología que nos permita conocer o detectar funcionamientos anómalos en determinados componentes principales del aerogenerador. A lo largo de este artículo se ha centrado el estudio en el funcionamiento de la multiplicadora, pero igualmente se podría extender el estudio a otros componentes principales como puede ser el generador, pues la metodología se plantea para cualquiera de los elementos. Los pasos propuestos en esta metodología pasan por estudiar, conocer y describir los datos de entrada con los que contamos para modelar el comportamiento del aerogenerador o del componente específico del mismo bajo estudio [9, 10]. El siguiente paso es seleccionar, como parámetros de entrada del modelo, aquellos datos que aporten una mayor y más relevante información para la definición del mismo, de tal forma que se pueda reducir el número de parámetros y optimizar el modelo que se va a generar. Pag. 3 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento A continuación se define un modelo de funcionamiento normal del aerogenerador o del componente en estudio, utilizando datos correspondientes a un periodo de tiempo en el que no existe ninguna anomalía en su funcionamiento. Y por último se establecen sistemas que permitan detectar desviaciones del funcionamiento respecto al modelo establecido en el paso anterior, así como generar las alarmas correspondientes para avisar a los responsables de mantenimiento de la empresa. A continuación se analizan con más detalle cada uno de estos pasos de la metodología propuesta: 2.2.1.- Descripción de datos El objetivo inicial planteado es buscar un parámetro que permita detectar el funcionamiento anómalo de la multiplicadora. Los parámetros disponibles en este tipo de aerogenerador, de los cuales se recogen y almacenan medidas cada 10 minutos, son los que se pueden ver en la Tabla 1. Canal 001 002 003 004 005 006 007 008 009 010 011 012 013 014 015 016 017 018 019 020 021 022 023 024 025 026 027 028 029 030 031 032 033 034 035 Descripción Potencia Periodo Vibración Torre Factor Potencia Potencia Reactiva Tensión Fase L1 Tensión Fase L2 Tensión Fase L3 Corriente Fase L1 Corriente Fase L2 Corriente Fase L3 Velocidad Generador Velocidad Rotor Pala 1, Posición Real Velocidad Viento Posición Góndola Giro Góndola Velocidad Generador (eje alta) Desviación Viento (1 s) Pala 2, Posición Real Pala 3, Posición Real Pala 1, Posición Solicitada Pala 2, Posición Solicitada Pala 3, Posición Solicitada Factor Pot., Val. Solicitada Velocidad n-1 Velocidad n-2 Par Motor, Valor Real Par Motor, Valor Solicitado Estado Funcionamiento Canal 30 Desviación Viento (10 s) Temperatura Generador1 Temperatura Gen. 2 Temperatura Rodamiento A Temperatura Rodamiento B Canal 036 037 038 039 040 041 042 043 044 045 046 047 048 049 050 051 052 053 054 055 056 057 058 059 060 061 062 063 064 065 066 067 068 069 070 Descripción Temperatura Multiplicador Temperatura Exterior Temperatura Góndola Temperatura Aire en Generador Temperatura Rodamiento Multiplicadora Temperatura Rodamiento Eje Relación Velocidad Punta Pala Digital 1 Digital 2 Conexión Interruptor Sincronización Aceleración Torre Aceleración Bastidor Temperatura Rodamiento B Multiplicadora Temperatura Transformador 1 Temperatura Transformador 2 Temperatura Transformador 3 Reserva4 Reserva5 Reserva7 Reserva8 Reserva9 CH1 Alta Resolución CH2 Alta Resolución CH3 Alta Resolución CH4 Alta Resolución Armario Principal DI1 Armario Principal DI2 Armario Góndola D11 Armario Góndola DI2 Armario Góndola DI3 CANAL_E/S Armario Principal DO1 Armario Principal DO2 Armario Góndola DO1 Armario Góndola DO2 Pag. 4 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Tabla 1: Canales de datos recogidos de los aerogeneradores 2.2.2.- Selección de parámetros Una vez definida la variable que se va a utilizar para modelar el comportamiento de la multiplicadora, el siguiente paso es analizar qué parámetros de entrada permiten generar un modelo que se ajuste mejor. Para ello se recurre a realizar una clasificación mediante boosting [11, 12], con los resultados que se pueden ver en la Fig. 4 y la Tabla 2. El boosting es una técnica reciente de minería de datos mediante arboles de regresión que ha mostrado un éxito considerable a la hora de mejorar la precisión de las predicciones. Básicamente lo que busca es aplicar un método numérico de optimización para minimizar la función de perdida de precisión en la predicción del modelo generado. Para el caso que nos ocupa, se busca modelar el comportamiento de la temperatura de la multiplicadora, por la tanto aplicando la técnica de boosting a los parámetros de entrada seremos capaces de valorar qué parámetros tienen un mayor peso a la hora de mejorar la exactitud de la predicción. Fig. 4: Importancia de los parámetros de entrada analizados Canal 039 032 033 028 040 035 001 027 049 050 051 004 009 010 008 013 019 Importancia 100,00% 93,54% 94,33% 90,32% 87,70% 86,46% 85,44% 84,72% 78,65% 79,14% 78,26% 76,05% 75,51% 76,23% 75,42% 72,31% 72,31% Canal 017 012 025 026 046 034 018 005 006 007 047 031 038 037 015 063 041 Importancia 67,51% 61,94% 60,73% 60,85% 61,22% 56,88% 52,29% 50,94% 50,86% 50,41% 44,89% 43,70% 43,66% 39,68% 31,00% 19,18% 14,66% Pag. 5 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento 020 72,31% 016 13,31% 021 72,12% 002 11,85% 022 72,12% 045 11,85% 023 72,12% 066 7,44% 011 70,03% 064 6,04% 014 69,94% 069 3,54% 042 70,23% Tabla 2: Importancia de los parámetros de entrada analizados Tras analizar los resultados obtenidos se ha decidido filtrar aquellos parámetros que están por debajo del 75% en cuanto a su importancia a la hora de predecir la temperatura de la multiplicadora. De esta forma reduciremos el número de parámetros de entrada sin perder excesiva precisión en el modelo generado. Los parámetros finalmente utilizados para la realización del modelo han sido los 15 que se pueden ver en la Tabla 3. Canal Descripción 001 Potencia 004 Potencia Reactiva 008 Corriente Fase L1 009 Corriente Fase L2 010 Corriente Fase L3 027 Par Motor, Valor Real 028 Par Motor, Valor Solicitado 032 Temperatura Generador 1 033 Temperatura Generador 2 035 Temperatura Rodamiento B 039 Temperatura Aire en Generador 040 Temperatura Rodamiento Multiplicadora 049 Temperatura Transformador 1 050 Temperatura Transformador 2 051 Temperatura Transformador 3 Tabla 3: Parámetros de entrada considerados para la realización del modelo 2.2.3.- Desarrollo modelo de funcionamiento normal Para el desarrollo del modelo de comportamiento de funcionamiento normal de la multiplicadora se toman como parámetros de entrada los especificados en la Tabla 3 durante un periodo de un año. Como es lógico, se buscan datos de un año en el que el funcionamiento de la multiplicadora haya sido correcto, es decir, sin averías reseñables en el aerogenerador debidas a fallos relacionados con la multiplicadora, como pueden ser elevada temperatura del aceite de la multiplicadora, generación de espuma, colmatación de los filtros de partículas, etc. El modelo (ver Fig. 5) se ha realizado con ayuda de programa de minería de datos con licencia GNU (KNIME 2.3.4) mediante el entrenamiento de una red neuronal multicapa (MLP) [13, 14]. Las redes neuronales son sistemas de inteligencia artificial que intentan imitar al cerebro humano para resolver problemas específicos. Para ello en un primer paso buscan aprender de una serie de ejemplos que definan el problema al que se enfrentan. Una vez esta red neuronal ha sido entrenada, no sólo será capaz de repetir el comportamiento aprendido para unos datos de entrada específicos, sino que ante entradas nuevas será capaz de aportar una respuesta nueva que se ajuste al comportamiento del sistema que se está modelando. Pag. 6 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Fig. 5: Programa de minería de datos para la creación del modelo mediante redes neuronales 2.2.4.- Detección de desviaciones y generación de alarmas Por último, una vez generado el modelo, el último paso será ir comprobando cómo evoluciona la temperatura real de la multiplicadora frente a la prevista por el modelo. De esa manera, cuando se observe un aumento constante de la temperatura real respecto a la prevista, especialmente en periodos de producción nominal del aerogenerador, podrá deducirse la posibilidad de estar ante un signo claro de deterioro de la multiplicadora (ver Fig. 6). A partir de ese momento habrá que seguir vigilando la evolución de este incremento de temperatura y realizar las acciones pertinentes de mantenimiento. Por ejemplo, se puede realizar una video-endoscopía para detectar cuál es la fuente de ese deterioro de la multiplicadora (perdida de material en los dientes de los engranajes, bandas de rodadura en los rodamientos, etc.). Fig. 6: Ejemplos de deterioro de componentes de multiplicadora 3.- RESULTADOS Una vez establecida la metodología, el último paso es aplicarla a casos reales y comprobar su funcionamiento. Para realizar el estudio práctico se ha escogido un aerogenerador específico correspondiente al parque eólico empleado para el estudio, al que denominaremos G1, nombrando los diferentes molinos con ese nombre seguido de la letra de identificación. 3.1.- AEROGENERADOR ESPECÍFICO En el caso del aerogenerador específico G1-A se han cogido datos correspondientes al año 2006 para realizar el modelo de comportamiento normal. En la Fig. 7 se puede ver el gráfico del error obtenido en cada iteración durante el proceso de entrenamiento de la red neuronal. Pag. 7 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Fig. 7: Error de la red neuronal en cada iteración para el aerogenerador específico G1-A Para comprobar el error cometido (ver Fig. 8) con el modelo generado recurrimos al cálculo del error medio absoluto y la desviación estándar del error absoluto, así como al error relativo y a la desviación estándar del mismo (ver Tabla 4), según las definiciones que se pueden ver a continuación: Siendo comprobación. el valor previsto por el modelo, el valor real, y N el número de datos empleados para la GI-A MAE 1,27E-02 Std_MAE 3,31E-17 RE 2,28E+00 Std_RE 8,21E-01 Pag. 8 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Tabla 4: Comprobación del modelo generado para GI-A Fig. 8: Comprobación del modelo generado para GI-A Para analizar el deterioro de la multiplicadora recurrimos a la comparativa de las desviaciones del modelo, en los casos en los que la temperatura real de la multiplicadora supera la temperatura prevista por el modelo (ver Fig 9). Como se puede apreciar, se produce un notable aumento del número de datos que se desvían por encima del 0,05, mostrando el deterioro que existía en la multiplicadora antes de producirse una avería que llevo a la necesidad de sustituirla por otra nueva. Pag. 9 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected] PREDICCIÓN Y DETECCIÓN DE AVERÍAS EN AEROGENERADORES A PARTIR DE DATOS SCADA Rev. 1 del 23/nov/2011 E. Martínez-Cámara, E. Jiménez-Macías, J. Blanco-Fernández, J.C. Sáenz-Díez TECNOLOGÍA INDUSTRIAL Ingeniería de mantenimiento Fig. 9: Evolución de la desviación de la temperatura de la multiplicadora frente al modelo 4.- CONCLUSIONES A lo largo de este artículo se ha descrito una metodología aplicable a parques eólicos en funcionamiento y que permite aprovechar los datos existentes recogidos mediante el sistema SCADA de los aerogeneradores, para realizar un análisis del estado de funcionamiento de uno de los componentes principales del aerogenerador como es la multiplicadora. La combinación de un estudio detallado de los parámetros óptimos para modelizar el comportamiento específico de la temperatura de la multiplicadora, junto con el desarrollo de un modelo basado en redes neuronales, permite caracterizar de forma eficaz el modelo del comportamiento normal de una multiplicadora sin deterioro en su funcionamiento. A partir de ese modelo podemos ir analizando de forma periódica el posible proceso de deterioro de la multiplicadora y actuar sobre ella antes de que se produzca una avería irreparable y que obligue a su sustitución. La metodología propuesta se ha testado en un parque eólico en funcionamiento con resultados satisfactorios. BIBLIOGRAFÍA [1] Michalak, P., Zimny, J. “Wind energy development in the world, Europe and Poland from 1995 to 2009; Current status and future perspectives”. Renewable and Sustainable Energy Reviews. 2011. Vol.15-5 p. 2330-2341. DOI: http://dx.doi.org/10.1016/j.rser.2011.02.008 [2] Gómez, A., Zubizarreta, J., Dopazo, C., Fueyo, N. “Spanish energy roadmap to 2020: Socioeconomic implications of renewable targets”. Energy. 2011. Vol.36-4 p. 1973-1985. DOI: http://dx.doi.org/10.1016/j.energy.2010.02.046 [3] España. Asociación Empresaria Eólica (AEE). Anuario Eólica 2012. AEE. Madrid. 2012. [4] Tian, Z., Jin, T., Wu, B., Ding, F. “Condition based maintenance optimization for wind power generation systems under continuous monitoring”. Renewable Energy. 2011. Vol.36-5 p. 1502-1509. DOI: http://dx.doi.org/10.1016/j.renene.2010.10.028 [5] Kovács, A., Erdos, G., Viharos, Z.J., Monostori, L. “A system for the detailed scheduling of wind farm maintenance”. CIRP Annals Manufacturing Technology. 2011. DOI: http://dx.doi.org/10.1016/j.cirp.2011.03.049 [6] Daneshi-Far, Z., Capolino, G.-A., Henao, H. “Review of failures and condition monitoring in wind turbine generators”. 19th International Conference on Electrical Machines, ICEM 2010. 2010. Art. no. 5608150. DOI: http://dx.doi.org/10.1109/ICELMACH.2010.5608150 [7] Koochaki, J., Bokhorst, J.A.C., Wortmann, H., Klingenberg, W. “Condition based maintenance in the context of opportunistic maintenance”. International Journal of Production Research. 2012. Vol.50-23 p. 6918-6929. DOI: http://dx.doi.org/10.1080/00207543.2011.636924 [8] Byon, E., Pérez, E., Ding, Y., Ntaimo, L. “Simulation of wind farm operations and maintenance using discrete event system specification”. Simulation: Transactions of The Society for Modeling and Simulation International. 2011. Vol.87-12 p. 1093-1117. DOI: http://dx.doi.org/10.1177/0037549710376841 [9] Kusiak, A., Verma, A. “Prediction of status patterns of wind turbines: A data-mining approach”. Journal of Solar Energy Engineering, Transactions of the ASME. 2011. Vol.133-1 art. no. 011008. DOI: 10.1115/1.4003188 [10] Tar, K., Szegedi, S. “A statistical model for estimating electricity produced by wind energy”. Renewable Energy. 2011. Vol.36-2 p. 823-828. DOI: http://dx.doi.org/10.1016/j.renene.2010.06.032 [11] J. H. Friedman, “Stochastic gradient boosting”. Computational Statistics & Data Analysis. 2002. Vol.38-4 p. 367–378. DOI: http://dx.doi.org/10.1016/S0167-9473(01)00065-2 [12] J. H. Friedman, “Greedy function approximation: A gradient boosting machine”. Annals of Statistics. 2001. Vol.29-5 p. 1189–1232. DOI: http://dx.doi.org/10.1214/aos/1013203451 [13] Schlechtingen, M., Ferreira Santos, I. “Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection”. Mechanical Systems and Signal Processing. 2011. Vol.25-5 p. 1849-1875. DOI: http://dx.doi.org/10.1016/j.ymssp.2010.12.007 [14] Alvarez-Huerta A, Gonzalez-Miguelez R, Garcia-Metola D, Noriega-González A. “Predicción de la temperatura de la contención primaria de una central nuclear mediante redes neuronales". DYNA. 2011. Vol.86-4 p. 467-473. DOI: http://dx.doi.org/10.6036/4025 Pag. 10 / 10 Publicaciones DYNA SL -- c) Mazarredo nº69 -3º -- 48009-BILBAO (SPAIN) Tel +34 944 237 566 – www.dyna-energia.com - email: [email protected]