Una de las principales barreras a la hora de implementar aplicaciones finales basadas en machine learning es la complejidad de interpretar a nivel ejecutivo los resultados que arrojan los algoritmos.
La tendencia actual del sector consiste en implementar algoritmos basados en técnicas fácilmente interpretables para atender el mercado, limitando los esfuerzos que tiene que hacer el analista para traducir los resultados. Esto es, por supuesto, un buen punto de partida, pero implica que únicamente se aproveche una pequeña parte del potencial del machine learning, relegando sus técnicas más potentes para el sector renovable.
En este post explicamos varios casos de aplicación basados en técnicas alternativas de machine learning para este sector. Hacemos énfasis en la técnica de clusterización y su uso en Isotrol, basado en la identificación de nuevos casos de uso. Estos ejemplos suponen nuevas oportunidades para impulsar la implementación de tecnología basada en machine learning, facilitando la interpretación por parte del usuario final.
El machine learning y la inteligencia artificial son cada vez más populares en el sector de las energías renovables. Por ejemplo, dos de los campos en los que su uso está más extendido son la detección de anomalías y bajo rendimiento de los equipos para la optimización de O&M, y la reducción de costes.
Las técnicas de machine learning se dividen en dos grupos principales:
- Aprendizaje supervisado: principalmente basado en técnicas de regresión.
- Aprendizaje no supervisado: principalmente basado en técnicas de clusterización.
La mayoría de las herramientas disponibles en el mercado para la predicción y monitorización de activos de generación renovable se encuentran en el primer grupo.
Sabemos que los resultados obtenidos a partir de una técnica de regresión son fácilmente interpretables por los usuarios finales porque, en general, representan un valor predicho para una señal predefinida y conocida por el usuario. Las herramientas de regresión se basan típicamente en la comparación continua del valor real de una señal frente al valor predicho por el algoritmo de regresión, mostrando un aviso o alarma al usuario cuando se produce una diferencia significativa entre ambos valores.
Imagen 1. Técnica de regresión.
Imagen 2. Ejemplo de los resultados de una predicción basada en técnicas de regresión.
En la Imagen 1, V3 representa la señal que se quiere predecir. La imagen 2 ilustra un ejemplo concreto en el que V3 es “generator bearing temperature” y se compara con el valor predicho. Aquí aparece una franja roja que sirve de aviso al usuario cuando se produce una diferencia significativa entre el valor real y el predicho, considerando un determinado intervalo de confianza.
El valor de las técnicas de clusterización
Como hemos anotado, las técnicas de regresión están más extendidas que las de clusterización, menos populares en la actualidad.
¿Pero por qué no lo son? Desde el punto de vista técnico esto no parece tener sentido, ya que las técnicas de aprendizaje no supervisado son muy potentes. De acuerdo a nuestros estudios, el principal obstáculo para que esta técnica no tenga mejor acogida en el mercado es esa necesidad de unir el conocimiento en machine learning con aquel otro sobre el negocio; y así poder, por un lado, identificar satisfactoriamente en qué casos aporta valor la implementación de la clusterización y, por otro, interpretar con éxito los resultados procedentes del algoritmo.
Estos dos puntos no son tan críticos en la regresión porque sus fundamentos son generalmente más fáciles de entender que los de la clusterización. Interpretar los resultados de una técnica de regresión no requiere un conocimiento profundo en machine learning.
Por otro lado, a pesar de que la clusterización requiera una mayor habilidad analítica de los usuarios, los beneficios de implementar esta técnica hacen que merezca la pena.
Además de la identificación de señales con un comportamiento distinto (como en la regresión), el resultado de un análisis por clusterización tiene las siguientes ventajas:
- Identificación y caracterización de varios comportamientos (o clusters) diferentes en un solo paso.
- Identificación de nuevos comportamientos (o nuevos clusters), que no habían aparecido antes en el histórico de datos.
- Caracterización de cada comportamiento descubierto por el algoritmo a partir de los centroides de los clusters.
Como vemos, las técnicas de clusterización no sólo devuelven el valor de una señal específica, también tienen en cuenta todas las posibles interacciones entre cada señal disponible. Esto añade información acerca del problema a resolver o sobre el proceso monitorizado.
La siguiente imagen representa el esquema de la técnica de clusterización, que puede compararse con la Imagen 1, que representa un esquema análogo para la técnica de regresión.
Imagen 3. Técnica de clusterización.
Aplicación de los algoritmos de clusterización en plantas eólicas y fotovoltaicas
En Isotrol hemos constatado recientemente los beneficios de aplicar técnicas de clusterización en la operación y mantemiento de los activos renovables. Teniendo en cuenta nuestra propia experiencia, la principal conclusión a la que hemos llegado es que estas técnicas aportan nuevas e interesantes posibilidades para los gestores y propietarios de plantas de generación renovable. A continuación resumimos dos casos de uso que ilustran tales aplicaciones:
- En una planta eólica, la clusterización nos permite identificar problemas de desviaciones en la curva de potencia. En la siguiente imagen se aprecia una diferencia de comportamientos en dicha curva, lo que indica un bajo rendimiento en uno de los grupos. El análisis de los centroides hace posible identificar la diferencia en el comportamiento de los dos grupos. La imagen muestra, por ejemplo, cómo dos grupos de puntos se diferencian entre sí cuando aparece o no un problema de calibración en el anemómetro, combinado con una elevada intensidad de turbulencias en el viento.
Imagen 4. Clusterización en la curva de potencia frente a velocidad del viento.
Imagen 5. Clusterización en Active Power y en VDC frente al tiempo en sistemas fotovoltaicos.
Como hemos visto, basta dedicar cierto esfuerzo a explicar y representar los resultados de la clusterización para que su interpretación sea más fácil.
Una implementación fiable de estas técnicas sólo es posible con el apoyo de una estructura robusta y un equipo técnico preparado, y especializado en machine learning y en el sector renovable; como es el nuestro.
En Isotrol creemos en el valor de la innovación continua y en el desarrollo tecnológico para mejorar nuestros productos. Nuestro objetivo principal es dar lo mejor de nosotros a nuestros clientes y al sector energético. Es por esto que seguimos trabajando en identificar alternativas novedosas para el sector. Oportunidades basadas en las últimas tecnologías y, aún más importante, que expresen los resultados en el lenguaje de los negocios para dar auténtico valor a nuestras herramientas y servicios.