El mejor modelo de IA para fallos de aerogeneradores varió según el tipo de avería
La versión preliminar de Scientific Reports del 13 de octubre compara SVM y una red neuronal con Random Forest como referencia para detectar fallos de aerogeneradores. La evaluación se basa en simulaciones.
El resumen de un artículo aceptado difundido anticipadamente por Scientific Reports el 13 de octubre compara máquinas de vectores de soporte (SVM) y una red neuronal artificial (ANN) con Random Forest como referencia para detectar fallos de aerogeneradores. Describe datos simulados en FAST y MATLAB/Simulink bajo viento turbulento. Las variables observadas incluyen velocidad del generador, potencia producida y ángulos de las palas; la evaluación emplea validación cruzada temporal en cinco bloques.
El resumen informa de que el rendimiento depende mucho del tipo de fallo y de ventajas de ANN en algunos patrones difíciles. No demuestra la superioridad de un modelo para todos los fallos. La publicación accesible solo contiene el resumen preliminar y los datos de autores; no se pudieron verificar aquí los métodos completos ni las tablas de resultados. Estas simulaciones no se presentan como prueba de un sistema validado en aerogeneradores en servicio ni de un despliegue comercial.
Investigadores vinculados a la Universidad Laval evaluaron una red neuronal que estima flujos de potencia con menos unidades de medición fasorial en la red de prueba IEEE de 30 nodos. Los resultados indican que la ubicación de los sensores puede importar más que usar el mismo número de dispositivos.
Fuente: arXiv, Learning-Based Power Flow Estimation with Sparse PMU Deployment in Power Systems (arXiv:2610.13683)
Investigadores de las universidades de Oslo y Xi’an presentaron una red neuronal de grafos para estimar flujos probabilísticos cuando cambia la topología de la red tras cortes de líneas. El modelo redujo el error de ángulo de fase frente a métodos de referencia en dos redes de prueba.
Fuente: arXiv, Hierarchical Graph Neural Network for Probabilistic Power Flow with Grid Topology Contingencies (arXiv:2610.13495)
Investigadores de Estados Unidos y Canadá presentaron SecFD-FL, un método para predecir cargas de recarga de vehículos eléctricos sin centralizar datos distribuidos. El estudio probó pronósticos y ataques de inversión de gradientes con registros de Palo Alto y datos de EV WATTS.
Fuente: arXiv, SecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric Vehicles (arXiv:2610.12909)
HABER PAPER
Cinco ediciones. Una mirada más amplia.
Una perspectiva multilingüe de la economía mundial.
Si lo permite, Google Analytics puede medir las visitas y la actividad del sitio mediante cookies. Puede cambiar su elección más adelante.
Detalles de medición y privacidad
Google Analytics solo inicia las mediciones si usted lo permite. Tras el consentimiento, la medición automática puede incluir desplazamientos, clics en enlaces externos, descargas, interacción con vídeos, búsquedas en el sitio e interacciones básicas con formularios; los términos de búsqueda pueden detectarse en los parámetros de URL. El código de este sitio no envía los valores de los campos; la ocultación de correos electrónicos en la medición automática es un esfuerzo razonable, no una garantía. Nuestro evento manual de vista de página usa una URL depurada. Puede cambiar su elección más adelante. Las visitas que empiezan con consentimiento también pueden enviar mediciones numéricas LCP, INP y CLS tras cargar Analytics. Un primer consentimiento o uno posterior activa estas mediciones en la siguiente carga de página; retirarlo detiene estos informes para la página actual. La cookie de preferencias dura seis meses; la medición publicitaria y la personalización permanecen desactivadas.
Su navegador envía una señal Global Privacy Control. La analítica está desactivada de forma predeterminada; puede cambiar esta elección explícitamente aquí.
