Punteggio di anomalia basato sui dati e soglia dinamica nei sistemi di energia rinnovabile: funzionalità di monitoraggio delle condizioni negli impianti di turbine eoliche utilizzando dati tecnici e ambientali = Data-Driven Anomaly Scoring and Dynamic Thresholding in Renewable Energy Systems: Condition Monitoring Features in Wind Turbine Plants Using Technical and Environmental Data

Nella transizione verso le energie rinnovabili, le turbine eoliche svolgono un ruolo importante, ma le loro prestazioni e affidabilità sono spesso messe a dura prova da condizioni operative complesse, degrado meccanico e scarsa visibilità dei guasti. Con l'espansione delle dimensioni, del modello e della diffusione geografica dei parchi eolici, cresce la necessità di sistemi di monitoraggio delle condizioni scalabili ed economici. Lo scopo di questa tesi è presentare un framework per il rilevamento dei guasti basato sui dati nei componenti delle turbine eoliche, che utilizza dati SCADA (Supervisory Control and Data Acquisition) di 10 minuti per identificare guasti in fase iniziale. La metodologia proposta combina l'Analisi delle Componenti Principali (PCA) per la riduzione della dimensionalità con carte di controllo CUSUM (Cumulative Sum) adattive per il punteggio delle anomalie basato sulla deriva. Per ridurre i falsi positivi causati da variabilità operativa, condizioni ambientali o comportamenti specifici della turbina, viene applicato un insieme di regole di mascheramento contestuale. Queste maschere sono derivate da conoscenze ingegneristiche, schede tecniche delle turbine e analisi statistiche dei segnali SCADA. Le prestazioni del modello vengono convalidate su un'altra turbina nello stesso impianto. I risultati dimostrano un rilevamento precoce dei guasti con tempi di risposta che vanno da 2 a 44 giorni (fino a 88 giorni per segnali precoci di degradazione più lunghi) e notevoli miglioramenti in termini di precisione e punteggio F1 grazie alla regolazione per guasto e al mascheramento contestuale. Questo approccio SCADA-only non richiede sensori aggiuntivi di vibrazione o acustici ed è progettato per essere interpretabile, leggero e facilmente adattabile a diverse turbine. Il rilevamento statistico delle anomalie e il filtraggio contestuale si sono dimostrati preziosi per migliorare la manutenzione predittiva dei sistemi di energia rinnovabile, supportando il potenziale del modello per applicazioni industriali.