El Big data en las energías renovables marinas

En un sentido general, el big data se define como datos cuyo volumen, velocidad de adquisición, representación de datos, veracidad y valor potencial superan la capacidad de los sistemas tradicionales de gestión de datos. Big data se caracteriza por un modelo de 5V: el volumen indica que la generación y la recopilación de datos se producen a escalas cada vez más grandes. La velocidad representa que los datos se generan y recopilan de manera rápida y oportuna. La variedad indica heterogeneidad en los tipos de datos, formatos, estructura y escala de generación de datos. La veracidad se refiere a problemas de ruido y calidad en los datos. Finalmente, el valor denota el valor que se puede obtener del procesamiento y la minería de datos grandes.

Según este modelo de 5V, los datos para las energías marinas se caracterizan de la siguiente manera:

• Volumen: las fuentes de información existentes proporcionan una enorme cantidad de datos. Los sitios web públicos de organizaciones científicas como NOAA, NASA y Puertos del estado, IFREMER recopilan terabytes de datos por día y permiten acceder a una gran cantidad de conjuntos de datos de biodiversidad marítima y oceanográfica. Además, algunas empresas del sector operan bases de datos muy grandes que describen las condiciones y estados de los equipos en vivo y series históricas.

Los datos utilizados en vivo provienen de satélites y bases de datos marinas con millones de eventos relacionados con los equipamientos para la extracción de energía marina, sistemas de transmisión energética, etc.

• Velocidad: El registro de datos debe ser continuo y retenido en los dispositivos para la toma de decisiones y análisis. Del mismo modo, organizaciones como NOAA ofrecen en tiempo real las condiciones meteorológicas y oceanográficas recolectadas (media hora) a través de los satélites geoestacionarios del entorno operativo (GOES) y los satélites comerciales. Solo el Centro Nacional de Información Ambiental de la NOAA (NCEI) alberga más de 20 petabytes de datos atmosféricos, costeros, oceánicos, paleo climatológicos y geofísicos, y archiva más de 26 terabytes de datos oceánicos, atmosféricos y geofísicos cada mes. Además, ciertas compañías ponen a disposición mapas en vivo que informan sobre las el estado y la situación de varios cientos de turbinas eólicas marinas y otros elementos en todo el mundo.

• Variedad: los datos se recopilan en una amplia variedad de formas y se almacenan en muchos formatos y estructuras de datos diferentes. Los datos de los equipos son recopilados por decenas de dispositivos diferentes y en diferentes formatos, por ejemplo, los sistemas de identificación automática de falla reciben datos sobre los sistemas por satélite, recopilan información de otros equipos o turbinas a través de sistemas de comunicación por cable, mientras que un sistema de transmisión de la turbina por varios sensores. De manera similar, los datos oceanográficos se recopilan utilizando diferentes dispositivos. Por ejemplo, las mediciones de series de tiempo en una ubicación fija se pueden recolectar utilizando conjuntos de instrumentación, mientras que otros tipos de equipos, por ejemplo, boyas de superficie o anemómetros pueden reunir libremente datos oceanográficos. Además, los sensores instalados en satélites en órbita pueden recopilar continuamente datos sobre el océano.

• Veracidad: la precisión de la medición marina se ha incrementado en los dispositivos modernos. Sin embargo, debido a que los datos se recopilan siguiendo una amplia variedad de métodos y utilizando instrumentos dispares, se pueden observar diferentes grados de precisión e incertidumbre en las fuentes de datos oceánicos. Por ejemplo, las mediciones oceanográficas de la boya pueden verse afectadas por el tamaño, la forma, el lastre y el amarre de la misma. Por lo tanto, se pueden existir faltas en las observaciones o inconsistencias, y pueden existir ambigüedades en las fuentes de datos. Para lograr la veracidad de los datos, se requieren métodos de evaluación de calidad como la de duplicación y el proceso de limpieza de datos específicos del dominio.

• Valor: el gran conjunto de datos puede utilizarse y explotarse para mejorar el valor de diversos sistemas y aplicaciones relacionadas con las renovables marinas. Por ejemplo, los datos meteorológicos y de boyas representan la base para la predicción de la operación y el mantenimiento de plataformas y turbinas. Además, los datos históricos de barcos de apoyo se pueden utilizar para impulsar mejoras en la eficiencia energética, mientras que las rutas y trayectorias pueden permitir la detección de anomalías, rendimiento y fallas de seguridad.

El big data en la eólica marina

Existe una gran cantidad de datos de energía eólica en los últimos años, con una amplia variedad de variables recolectadas rutinariamente de cientos de sensores en dispositivos experimentales y instalados en turbinas. Las simulaciones de viento a largo plazo realizadas con modelos numéricos de predicción del clima, simulaciones de modelos de dinámica de fluidos computacional y campañas de medición son otras fuentes.

No obstante el intercambio de datos entre los fabricantes de turbinas, operadores y empresas de servicios públicos, la fusión de datos y la minería de datos deben mejorar tanto la eficiencia operativa del parque eólico como las metodologías de evaluación. Sin embargo, generalmente hay una brecha en el flujo de información entre la comunidad evaluadora del recurso eólico y los productores y operadores o compañías de servicios públicos.

Factores, como el comportamiento anómalo de componentes podrían identificarse, verificarse y corregirse si los vastos recursos de datos se exploraran adecuadamente. Además, se podría cuantificar la sub/sobre estimación del rendimiento energético durante la fase de diseño de parques eólicos.

Mediante la recopilación de datos, podría ser posible reducir los costos de operación y mantenimiento de la turbina y al mismo tiempo evitar la pérdida de conocimiento, es decir, el conocimiento empírico de los operadores se pierde cuando se jubilan. Las herramientas para lograr esto pueden estar disponibles, pero no están optimizadas para resolver tales problemas. El análisis de datos de energía eólica requiere que expertos en evaluación de recursos eólicos, expertos en operación de parques eólicos, matemáticos, estadísticos, físicos, ingenieros, etc., aúnen esfuerzos.

Destilar el complejo flujo de datos en tiempo real plantea desafíos tecnológicos y científicos. No solo se necesitan datos, sino también la apreciación del tipo de datos requeridos, cómo analizarlos y la comprensión de las preguntas correctas para formular.

Aunque la analítica big data está comenzando a ofrecer ofertas comerciales en este sector, todavía tiene un amplio camino por delante. Para impulsar el análisis de big data a la madurez completa, la industria tiene que desbloquear y permitir la divulgación de sus datos. El potencial para la aplicación de análisis de big data en áreas como recursos, diseño de turbinas, operación y mantenimiento y pronóstico podría ser mucho mayor que en la actualidad, particularmente si las actitudes hacia el acceso a datos cambiasen.

La tecnología para procesar datos ya existe y se requiere una integración de tecnologías desarrolladas. Sin embargo, la industria de la energía eólica aún no está lo suficientemente madura como para proceder adecuadamente con el desarrollo de esta área, ya que la competencia comercial desalienta el intercambio de datos.

Source:

G.F. Escobedo Briones et al., "Big Data & Analytics to Support the Renewable Energy Integration of Smart Grids - Case Study: Power Solar Generation", 2nd International Conference on Internet of Things, Big Data and Security. 267-275, 2017.

I. Lytra et al., "A big data architecture for managing oceans of data and maritime applications. 1216-1226, 2017.

C. Michelangelo et al., "Big data techniques for renewable energy market" 22nd Italian Symposium on Advanced Database Systems, SEBD 2014. 369-377, 2014.

S. Watson et al., “Future emerging technologies in the wind power sector: A european perspective”, Renewable and Sustainable Energy Reviews, vol. 113, p. 109270, 2019.