Predicción temprana de anomalías en aerogeneradores mediante 1D-CNN e ingeniería temporal de características sobre datos SCADA multiorigen

Mantener los aerogeneradores girando

Los parques eólicos se están convirtiendo en un pilar de la energía limpia, pero cada turbina es una máquina enorme y compleja que opera en condiciones duras. Cuando algo falla dentro de una turbina, las reparaciones son costosas y cada hora de inactividad significa electricidad perdida. Este artículo explora cómo la inteligencia artificial moderna puede detectar señales tempranas de problemas en los datos de las turbinas, de modo que los operadores puedan arreglar pequeños problemas antes de que se conviertan en fallos grandes y caros.

El desafío de vigilar millones de lecturas

Cada aerogenerador informa constantemente flujos de información a través de su sistema de control, conocido como SCADA. Estas lecturas incluyen la temperatura del aire exterior, la velocidad de giro del eje, la potencia producida y la estabilidad de la frecuencia de la red eléctrica. Entre decenas de turbinas y varios parques eólicos, esto se convierte en millones de medidas con sello temporal. Los ingenieros humanos no pueden repasar de forma realista todos estos datos a mano, y las alarmas tradicionales basadas en reglas tienen dificultades cuando las condiciones varían de un parque a otro o de una estación a otra.

Construir una imagen global a partir de muchos parques eólicos

Los investigadores abordaron este problema combinando datos SCADA de tres parques eólicos diferentes en Portugal y Alemania, que en conjunto abarcan 36 turbinas a lo largo de varios años. Dado que cada parque tiene su propia mezcla de sensores y escalas, el equipo primero tuvo que alinear y limpiar cuidadosamente los datos. Seleccionaron cuatro señales básicas que compartían todos los parques: temperatura ambiente, frecuencia de la red, potencia activa y velocidad de rotación, y las convirtieron y estandarizaron para que una turbina en un país pudiera compararse de forma justa con una turbina en otro. También añadieron pistas temporales simples como la hora del día y el mes del año, y luego dividieron los datos en ventanas solapadas de 24 horas etiquetadas como comportamiento normal o como conteniendo un evento de fallo.

Poner a prueba diferentes enfoques de IA

Con este conjunto de datos unificado, el equipo realizó una comparación directa de varios métodos populares de aprendizaje profundo para datos temporales. Probaron redes recurrentes tradicionales que leen secuencias paso a paso, diseños más avanzados basados en memoria como LSTM y LSTM bidireccional, una red convolucional temporal que mira más atrás en el tiempo usando filtros dilatados, y una red convolucional unidimensional (1D-CNN) que busca patrones locales a lo largo de la línea temporal. Todos los modelos se entrenaron y ajustaron bajo las mismas condiciones y se evaluaron por su capacidad para distinguir con precisión el funcionamiento normal de los signos tempranos de fallo, al tiempo que se limitaban las falsas alarmas.

Por qué las convoluciones simples resultaron ganadoras

A pesar de la popularidad de modelos de secuencia más complejos, la 1D-CNN sencilla fue la que mejor rendimiento obtuvo en esta tarea. Alcanzó cerca del 85 por ciento de precisión y puntuación F1, y mostró una fuerte capacidad para distinguir entre comportamientos saludables y con fallos en los tres parques eólicos. Los autores sostienen que este éxito proviene de la forma en que los filtros convolucionales pueden capturar de forma eficiente patrones a corto plazo y cambios bruscos a través de varias señales a la vez, que son a menudo lo que importa para las pistas tempranas de fallo. Las pruebas estadísticas confirmaron que la ventaja de la 1D-CNN sobre los otros modelos estándar no se debía solo al azar.

Añadiendo un modelo híbrido más inteligente

Tras establecer una línea base justa, los investigadores dieron un paso más y diseñaron un modelo híbrido que mezcla capas convolucionales con capas LSTM y un mecanismo de atención. En esta configuración, la parte convolucional extrae rápidamente características locales de las señales de los sensores, la parte LSTM sigue cómo evolucionan esas características a lo largo de períodos más largos, y el componente de atención da automáticamente más peso a los momentos más informativos de una secuencia. Este enfoque híbrido aumentó aún más el rendimiento, hasta alrededor del 87 por ciento de precisión, y superó a otras arquitecturas combinadas construidas con los mismos ingredientes.

Qué significa esto para la energía limpia

Para no especialistas, la conclusión clave es que datos cuidadosamente preparados junto con modelos de aprendizaje profundo bien escogidos pueden ofrecer a los operadores de parques eólicos alertas tempranas y fiables de que algo empieza a fallar. Al fusionar información de múltiples emplazamientos y permitir que los algoritmos aprendan los patrones que preceden a los fallos, el estudio muestra un camino hacia herramientas más inteligentes y generales para la monitorización de turbinas. En la práctica, eso significa menos averías inesperadas, costes de mantenimiento más bajos y una alimentación más estable de energía limpia a la red: ayudando a que las palas sigan girando y las luces permanezcan encendidas.

Cita: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

Palabras clave: monitorización de aerogeneradores, mantenimiento predictivo, series temporales SCADA, modelos de aprendizaje profundo, detección de fallos