Estudio comparativo de técnicas de aprendizaje profundo para la predicción de señales en turbinas eólicas en dispositivos de bajo coste

Abstract

Esta tesis doctoral presenta un estudio comparativo detallado sobre técnicas de aprendizaje profundo para la predicción de variables relevantes en turbinas eólicas, con un enfoque particular en la implementación de modelos en dispositivos de bajo coste. La motivación principal radica en la necesidad de mejorar la operación y el mantenimiento (O&M) de sistemas de generación eólica, optimizando la precisión de las predicciones y permitiendo un despliegue eficiente en entornos con recursos limitados.El trabajo parte de la hipótesis de que los modelos de redes neuronales profundas, como LSTM, GRU o Transformers, pueden superar a las técnicas tradicionales en cuanto a rendimiento predictivo, especialmente en tareas de predicción de series temporales. Para validar esta hipótesis, se construye una arquitectura experimental basada en tres conjuntos de datos: uno sintético generado con OpenFAST y dos reales obtenidos de sistemas SCADA. El preprocesamiento incluyó normalización, eliminación de valores atípicos y segmentación mediante ventanas deslizantes...This doctoral thesis presents a comprehensive compartive study of deep learning techniques for forecasting key variables in wind turbines, with a particular focus on deploying models on low-cost hardware platforms. The main motivation stems from the growing need to improve the operation and maintenance (O&M) of wind energy systems by enhancing prediction accuracy while ensuring feasibility in resource-constrained environments.The research is based on the hypothesis that deep neural network models such as LSTM, GRU, and Transformer architectures con outperform traditional methods in time series forecasting tasks. To validate this, the study uses three datasets: one synthetically generated using the OpenFAST simulatos and two real-world datasets collected from SCADA systems in operational wind turbines. Data preprocessing steps included normalization, outlier removal, and segmentation via sliding window techniques...