En España, al cierre de 2020, se contabilizaban 21.419 aerogeneradores y una potencia instalada total de 27.446 MW, siendo un 6% de ella proveniente de nuevas instalaciones [1]. Tal número de aerogeneradores a nivel nacional consiguió cubrir casi un 22% de la demanda eléctrica en 2020. En la primera mitad de 2021, el conjunto de las energías renovables en España generó el 51,3% de la producción eléctrica nacional, con la eólica representando prácticamente la mitad de esa generación renovable (24,7%) [2]. En el resto del mundo, el número de aerogeneradores también aumenta año tras año: los datos recabados en 2020 muestran un aumento de la nueva potencia instalada anual del 50% comparado con años anteriores, alcanzando así los 743 GW [3].
Es evidente el importante papel que desempeña el sector eólico en la generación de energía y su elevada relevancia económica y financiera. Además, también es un sector esencial en la lucha contra el cambio climático, la consecución de los ODS y varios objetivos gubernamentales y mundiales a largo plazo. Una gestión eficiente de estos activos renovables es crucial, por lo tanto, para asegurar que la inversión y los recursos gastados en el sector eólico se aprovechan al máximo y para demostrar que la energía eólica es fiable, rentable y capaz de cubrir altos porcentajes de la demanda eléctrica.
Dado el carácter incontrolable del viento que aprovechan, para los aerogeneradores es vital que el conjunto esté disponible para generar energía el mayor tiempo posible. Esto se consigue a través de un mantenimiento extenso y adecuado a lo largo de la vida útil de los aerogeneradores.
Tradicionalmente, la estrategia de mantenimiento usada por los operadores de los parques eólicos se centra en el mantenimiento preventivo, usando el correctivo en caso de fallo. Sin embargo, esta estrategia no evita los fallos eficientemente y provoca que cerca del 70% de las tareas de mantenimiento realizadas hoy en día en un aerogenerador no estén planificadas, sino que se hagan en respuesta a fallos de la máquina [4]. Como dirían los anglosajones, se aplica la mentalidad “if it ain’t broke, don’t fix it”. Esto implica mayores costes y menores ingresos para la empresa, ya que el mantenimiento correctivo es más costoso por el personal, material y equipo necesarios y solicitados sin planificación previa, y porque el aerogenerador no generará energía hasta que termine el mantenimiento correctivo. En el caso de algunos componentes, como el generador o la multiplicadora, esto puede significar paradas de casi dos semanas.
Es por ello que los operadores han buscado otras opciones que puedan aumentar la capacidad de planificación de tareas. La solución encontrada, más sofisticada que el mantenimiento preventivo, es el denominado mantenimiento predictivo, en el que se usan sensores instalados en el aerogenerador para recabar datos de la instalación y su contorno, con el fin de poder analizar el comportamiento de los componentes y así detectar anomalías en la operación y fallos inminentes [6]. Al poder encontrar fallos antes de que ocurran o mientras todavía son menores, se consigue reducir el riesgo de parada, se aumenta la vida útil del aerogenerador y, por supuesto, se ahorra tiempo y dinero [7]. Es decir, permite una mejor gestión a largo plazo de estos activos renovables al brindar un menor riesgo y mayor seguridad en cuanto al tiempo, producción y gastos de operación [4].
El uso e investigación de estrategias de mantenimiento que incluyan la predicción de fallos es cada vez más extenso. Recientemente, una tesis desarrollada entre la Universidad de Santiago de Compostela y ARES por Francisco García consiguió que la ratio habitual de 30% tareas planificadas/70% no planificadas se transformase en 90/10, usando un algoritmo basado en el mantenimiento predictivo [4]. Con el objetivo de transformar lo “no planificado en planificado”, en el estudio primeramente se caracteriza el comportamiento dinámico de los componentes y subcomponentes de un aerogenerador, para después desarrollar un algoritmo capaz de evaluar el estado de los KPIs (“Key Performance Index”) definidos en los estándares ISO-55000/55001/55002 dependiendo de las actividades técnicas realizadas en el activo renovable. Como resultado, el algoritmo proporciona tablas semanales que indican al operador cuándo debería realizar las diferentes tareas de mantenimiento para que estas impacten favorablemente en los KPIs. Como parte del modelo construido en la tesis, se desarrollan también procedimientos, documentos y una clasificación de componentes y eventos que permiten que el algoritmo creado esté integrado en una estrategia de gestión completa.
El desarrollo de una gestión íntegra e innovadora como esta ya ha proporcionado buenos resultados en tests pilotos y está siendo probada o incluso implementada masivamente en varias Utilities. Esta nueva gestión de activos, denominada RAMS (Renewable Asset Management System) en la investigación de Francisco García, se encuentra ya patentada para su uso en eólica, aunque también se está tratando de patentar para otras tecnologías renovables (solar fotovoltaica, hidráulica y geotermia).
La evolución del sector eólico hacia estrategias de gestión más desarrolladas y complejas como la RAMS significaría:
- Mejor rendimiento financiero.
- Mejor capacidad de toma de decisiones informadas en lo relativo a inversiones en activos eólicos.
- Mejor gestión de riesgos (financieros, seguridad, impactos ambientales y/o sociales, etc.).
- Mejor operación, producción, eficiencia y efectividad.
- Responsabilidad social demostrada (mejor capacidad de cumplir la norma ISO 26000).
- Sostenibilidad empresarial mejorada (mejor gestión de efectos, costes y rendimientos a corto y largo plazo).
Referencias:
[1] La eólica en España – Asociación Empresarial Eólica (aeeolica.org)
[3] La eólica en el mundo – Asociación Empresarial Eólica (aeeolica.org)
[4] “Operational Expenditures Model for Renewable Plant”, Francisco García López, Tesis Doctoral, Universidad de Santiago de Compostela.
[5] Wind Turbine Maintenance: Components, Strategies, and Tools – Enerpac Blog
[6] Predictive Maintenance for Wind Turbines: Energy Data Space Whitepaper – International Data Spaces
[7] Predictive maintenance: How sensors monitor wind turbines in real time (power-and-beyond.com)
