Aplicación de técnicas de machine learning al análisis de arranques de turbinas de gas de generación eléctrica

Este proyecto de investigación se centra en el proceso crítico de arranque de las turbinas de gas, con un enfoque específico en el monitoreo de la evolución de las temperaturas de los gases de escape. El objetivo principal fue desarrollar un modelo basado en técnicas de aprendizaje automático para la detección de anomalías, lo que permitiría identificar posibles situaciones de riesgo durante este proceso. Para ello, se utilizó un enfoque combinado de detección supervisada y no supervisada de anomalías, aprovechando las técnicas de DBSCAN, mixturas de Gaussianas y regresión lineal. Este trabajo sienta unas bases para futuras investigaciones que podrían ampliar la utilidad de estos métodos con el uso de conjuntos de datos mayores.

This research project focuses on the critical process of gas turbine start-up, with a specific focus on monitoring the evolution of exhaust gas temperatures. The main objective was to develop a model based on machine learning techniques for anomaly detection, which would identify possible risk situations during this process. For this, a combined approach of supervised and unsupervised anomaly detection was used, leveraging DBSCAN techniques, Gaussian mixtures, and linear regression. This work lays the groundwork for future investigations that could expand the utility of these methods with the use of larger datasets.