Operación y Mantenimiento Inteligente y Optimización de Modelos Predictivos para Mejorar la Eficiencia en la Generación de Energía Eólica

Intelligent Operation and Maintenance and Prediction Model Optimization for Improving Wind Power Generation Efficiency

June 19, 2025

Autores: Xun Liu, Xiaobin Wu, Jiaqi He, Rajan Das Gupta

cs.AI

Resumen

Este estudio explora la efectividad de los modelos de mantenimiento predictivo y la optimización de los sistemas inteligentes de Operación y Mantenimiento (O&M) para mejorar la eficiencia en la generación de energía eólica. A través de una investigación cualitativa, se realizaron entrevistas estructuradas a cinco ingenieros y gerentes de mantenimiento de parques eólicos, cada uno con amplia experiencia en operaciones de turbinas. Utilizando análisis temático, el estudio reveló que, aunque los modelos de mantenimiento predictivo reducen eficazmente el tiempo de inactividad al identificar fallas mayores, a menudo tienen dificultades para detectar fallos menores y graduales. Los desafíos clave identificados incluyen falsos positivos, mal funcionamiento de sensores y dificultades para integrar nuevos modelos con sistemas de turbinas más antiguos. Tecnologías avanzadas como gemelos digitales, sistemas SCADA y monitoreo de condición han mejorado significativamente las prácticas de mantenimiento de turbinas. Sin embargo, estas tecnologías aún requieren mejoras, particularmente en el refinamiento de la IA y la integración de datos en tiempo real. Los hallazgos enfatizan la necesidad de un desarrollo continuo para optimizar completamente el rendimiento de las turbinas eólicas y apoyar la adopción más amplia de energías renovables.

English

This study explores the effectiveness of predictive maintenance models and the optimization of intelligent Operation and Maintenance (O&M) systems in improving wind power generation efficiency. Through qualitative research, structured interviews were conducted with five wind farm engineers and maintenance managers, each with extensive experience in turbine operations. Using thematic analysis, the study revealed that while predictive maintenance models effectively reduce downtime by identifying major faults, they often struggle with detecting smaller, gradual failures. Key challenges identified include false positives, sensor malfunctions, and difficulties in integrating new models with older turbine systems. Advanced technologies such as digital twins, SCADA systems, and condition monitoring have significantly enhanced turbine maintenance practices. However, these technologies still require improvements, particularly in AI refinement and real-time data integration. The findings emphasize the need for continuous development to fully optimize wind turbine performance and support the broader adoption of renewable energy.