Sabemos que la aplicación de tecnologías de Inteligencia Artificial (AI) y Machine Learning está siendo eficaz para la detección temprana de problemas en plantas fotovoltaicas y parques eólicos. También es sabido que las compañías de la industria renovable innovadoras y mejor preparadas ya están aumentando la rentabilidad de sus operaciones con dichas técnicas. Pero ¿sabemos realmente cómo?
Hay muchos tipos de pérdidas que normalmente pasan desapercibidas y que se suelen detectar después de un tiempo de operación, a veces meses. El resultado son las ineficiencias. En fotovoltaica, ejemplos de este tipo de pérdidas son las caídas de strings, los bloqueos de trackers (seguidores solares) o la suciedad en los paneles. Mientras que en eólica, con máquinas más complejas, su regulación interna se suele dar por sobretemperatura o desalineamiento respecto a la dirección del viento, por citar algún ejemplo.
La dificultad de detección mencionada puede ocurrir por varias causas: por la propia variabilidad del recurso, que suele ocultar la reducción de producción; por la fiabilidad y ubicación de los sensores, por ejemplo, en un campo solar extenso con el paso de una nube sobre la estación meteorológica; porque se den síntomas similares para un mismo problema; o simplemente por la gran cantidad de datos que llegan desde las plantas. En este último supuesto, pensemos que una planta fotovoltaica de unos 50 MW puede generar unas 80.000 medidas cada día. Para hacernos una idea de esta magnitud podemos visualizarla como un estadio de fútbol repleto de espectadores ¡cada día!
En esta figura se muestra la medida de potencia generada en varios stringboxes, en la que se observa una producción diferente entre los mismos. Ésta puede deberse a strings desconectados, trackers bloqueados, clipping (limitación) en los inversores, suciedad en los paneles, degradación de los mismos, etc.
El reto consiste pues en identificar problemas de rendimiento en este mar de datos variables y, a veces, inconsistentes, para poder realizar acciones de O&M acertadas y lo antes posible. La solución pasa por el análisis avanzado de datos a través de la aplicación de técnicas de Machine Learning a estos grandes volúmenes de información generados por las instalaciones. Siguiendo con el ejemplo de fotovoltaica, podemos desarrollar y entrenar un algoritmo que sea capaz de detectar cuándo la bajada de producción es asimétrica respecto a la medida predicha; en este caso habitualmente indica que un tracker se ha bloqueado orientado hacia la salida o la puesta del Sol.
En el caso anterior se ha entrenado un algoritmo implementando una predicción de la medida utilizando redes neuronales, comparándola con la medida real y analizando la diferencia de ambas curvas para identificar un bloqueo de tracker. Dado que la sensorización habitualmente agrega un gran número de strings y trackers, puede darse una acumulación de los mismos que se resuelve entrenando al algoritmo para estos casos. Adicionalmente, tales algoritmos son capaces también de calcular la energía perdida asociada a cada una de las pérdidas mencionadas antes.
De forma similar, y ya en eólica, con técnicas de aprendizaje supervisado se pueden predecir las señales de temperatura de los elementos críticos de los aerogeneradores (generador, multiplicadora, cojinetes, etc.) para detectar situaciones, que —sin llegar a ser una alarma para el operador— corresponden a una operación fuera de normalidad. En estos casos, es habitual que el fabricante implemente una regulación interna que hace perder rendimiento o, lo que es más grave, que se convierta en un problema más severo.
La clusterización es otro ejemplo de las técnicas de aprendizaje no supervisado disponibles. En ella los diferentes puntos de una curva se agrupan en distintos modos de operación, permitiendo comparar las señales que diferencian los estados de operación de una máquina en cada instante. En la figura siguiente se pueden apreciar diferentes modos de operación en una curva de potencia de un aerogenerador: mientras que en uno de ellos presenta rendimiento normal, en otro —el amarillo— tiene importantes desviaciones en su rendimiento.
La principal ventaja que tienen estos sistemas es que los análisis se realizan sobre los datos ya disponibles en el SCADA, sin necesidad de invertir en nuevos sensores, lo que da lugar a una puesta en marcha más simple y, por tanto, más económica.
En conclusión, el análisis avanzado de datos a través de Machine Learning es, sin duda, una valiosa ayuda para que los asset managers o gestores de activos, y los equipos de O&M puedan detectar precozmente problemas en parques eólicos y plantas fotovoltaicas. De este modo se evitan las pérdidas de energía asociadas a indisponibilidades desde el mismo momento en que ocurren.
En Isotrol llevamos varios años realizando estos análisis avanzados por medio de Bluence® Performance Diagnosis, la herramienta analítica Big Data en cloud que forma parte de las soluciones de análisis de datos de nuestra plataforma Bluence®. En ella, un amplio conjunto de algoritmos efectúa los análisis de los datos de forma diaria, llevando a cabo una recomendación de actuación priorizada en base a los problemas identificados.
Comments are closed.
