Operação e Manutenção Inteligente e Otimização de Modelos Preditivos para Melhoria da Eficiência na Geração de Energia 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

Resumo

Este estudo explora a eficácia dos modelos de manutenção preditiva e a otimização de sistemas inteligentes de Operação e Manutenção (O&M) na melhoria da eficiência da geração de energia eólica. Por meio de pesquisa qualitativa, foram realizadas entrevistas estruturadas com cinco engenheiros e gerentes de manutenção de parques eólicos, cada um com ampla experiência em operações de turbinas. Utilizando análise temática, o estudo revelou que, embora os modelos de manutenção preditiva reduzam efetivamente o tempo de inatividade ao identificar falhas maiores, eles frequentemente enfrentam dificuldades em detectar falhas menores e graduais. Os principais desafios identificados incluem falsos positivos, mau funcionamento de sensores e dificuldades na integração de novos modelos com sistemas de turbinas mais antigos. Tecnologias avançadas, como gêmeos digitais, sistemas SCADA e monitoramento de condição, têm aprimorado significativamente as práticas de manutenção de turbinas. No entanto, essas tecnologias ainda requerem melhorias, especialmente no refinamento da IA e na integração de dados em tempo real. Os resultados enfatizam a necessidade de desenvolvimento contínuo para otimizar totalmente o desempenho das turbinas eólicas e apoiar a adoção mais ampla de energia renovável.

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.