Gestión de pérdidas e indicadores en sistemas fotovoltaicos: retos actuales

Un artículo de Joaquín López Silva, Customer Success Manager en Isotrol

Extracto— Se prevé que los sistemas solares sean de los favoritos entre las nuevas tecnologías de generación de energía. La gestión de las pérdidas de energía parece relevante en el venidero contexto competitivo. Por un lado, es necesario una detección y cuantificación de las pérdidas, diferenciadas por tipos. Por otro, identificar las causas de estas pérdidas (por ejemplo, véase: enfoques nuevos de Machine Learning y Big data) también. Los KPI contractuales necesitan tratarse en profundidad, ya que los clásicos contractuales como disponibilidad contractual, ratio de rendimiento (PR) y otros mantienen su papel estrella. A este respecto, son esenciales para una mejor estimación de las pérdidas los métodos de cálculo de la energía producible (posible), tanto en tiempo real como de datos ya agregados. Si se comparan los contextos de la eólica y la fotovoltaica, el primero disfruta de una mejor estandarización en los KPI contractuales que el segundo, cuyas empresas, dueños, EPCs, O&Ms y gestores de activos parecen funcionar con una amplia variedad de KPI contractuales. Además, la caracterización de las pérdidas contractuales no suele ser susceptible de una clasificación automática, creando así otra necesidad en términos de cómo digitalizar esta reclasificación «manual», y de cómo integrarla ágilmente al sistema, y en las herramientas de análisis y seguimiento o, por ejemplo, en órdenes de trabajo.


I. INTRODUCCIÓN

Estudios en colaboración con la Agencia Internacional de la Energía pronosticaron la relevancia que cobrará la energía solar en los próximos años (SolarPower Europe (2020): Global Market Outlook for Solar Power 2020-2024), alcanzando los TeraWatios en términos de potencia total instalada, colocando así a las fotovoltaicas como una de las tecnologías de generación favoritas y, en general, a la energía renovable satisfaciendo el 80 % de la demanda de energía para 2030.

Por cuestiones de simplicidad, este artículo se centrará en los sistemas conectados a la red, sin cargas locales.

Figure 1. Source: UNE-EN 61724-1:2017.

Se construyen modelos empíricos simples para describir el rendimiento de los sistemas fotovoltaicos bajo condiciones “normales de operación” (S.K. Firth, 2010). Las pérdidas no nos cuentan todo sobre nuestra planta, a pesar de obtener: indicadores adecuados, detección, estimación e incluso de pronósticos o detección temprana de fallos. Todo ello no es más que una foto incompleta de lo que está pasando en una planta PV. Existe una gran cantidad de eventos con síntomas similares, debido a que la potencia obtenida de los sistemas fotovoltaicos en funcionamiento es muy dependiente del tiempo atmosférico y de las condiciones medioambientales y consiste en muchas unidades interconectadas, siendo inevitable encontrar demasiadas situaciones de fallo (Mellit, 2018). Sin embargo, es fundamental en la gestión de activos, el uso continuo de los KPI adecuados y de un sistema de gestión de pérdidas adecuado.

II. CAUSAS PROBABLES DE UNA ESTIMACIÓN/DETECCIÓN INCORRECTA DE PÉRDIDAS

Después de una recopilación de dos años de datos y conclusiones dentro de una reconocida empresa de ingeniería (ISOTROL) —la cual desarrolla productos, proyectos, soluciones y software para sistemas de supervisión y control fotovoltaicos — se ha obtenido esta tabla de las causas más probables de estimaciones o detecciones incorrectas de pérdidas:

Figure 2. Sources of wrong losses estimation/detection.

Las tres primeras fuentes se comentarán de forma breve a lo largo del presente estudio y se cubrirá un caso para ilustrar algunas conclusiones.

Indicadores. Los principales indicadores contractuales implican la corrección de las señales del recurso, umbrales de cálculo y la posibilidad de excluir del cálculo determinados eventos o períodos. Por lo tanto, estaremos gestionando los KPI operativos y, por otro lado, los contractuales. Los primeros están sobre todo vinculados con el monitoreo de los datos o actividades en tiempo real y los últimos con la gestión de las responsabilidades contractuales, susceptibles de exigir penalizaciones por mal rendimiento o gestión de garantías. Por tanto, los indicadores clásicos/contractuales son relevantes en términos de beneficios, lo que nos lleva a identificar acciones de mejora y, por ende, a mejorar nuestra rentabilidad.

En lo que respecta a la disponibilidad basada en tiempo, que, en general, mide en un intervalo de tiempo la porción disponible de Potencia del activo, podemos encontrar en el mercado dos enfoques principales para excluir eventos externos: a) añadir (en el numerador) el tiempo a excluir como Horas operativas o b) deducir el tiempo a excluir del Tiempo útil a considerar (denominador).

En lo que respecta a la disponibilidad basada en energía, que, en general, trata de medir en un intervalo de tiempo el rendimiento, una práctica común para KPIs contractuales es el añadir las pérdidas externas como una energía extra producida (en el numerador) para eliminar y externalizar su efecto y conseguir la cifra contractual.

Otra forma exhaustiva es extraer tanto del numerador como del denominador (energía producida y producible) todos los intervalos afectados por cualquier evento externo. Si hablamos ahora de otro rey de los indicadores, el PR, su uso ha sido muy polémico y muchos debates actuales claman que el PR no es suficientemente representativo como indicador, señalando otros indicadores de rendimiento técnicos como más relevantes dependiendo del actor del proceso (por ejemplo, componente de la radiación difusa, ganancia, algoritmos producibles a medida, disponibilidad de subelementos en base energía/tiempo, etc.). El PR contractual suele ser el PR neto ajustado, es decir, el PR corregido (con la temperatura, la degradación del módulo y la disponibilidad) y además limpiado del impacto de cualquier evento externo, o incluso a veces, (con la finalidad de un resultado operativo sin mancha) limpiado de cualquier intervalo de indisponibilidad (deduciendo tanto irradiación como energía producida) o de cualquier intervalo con valores atípicos.

Con respecto a los indicadores del rendimiento de la inversión, se basan principalmente en los KPIs anteriores, pero aislándolos separadamente de las posibles causas de no alcanzar los valores objetivos u esperados (clima o económicos).

Así, en este sentido, podemos encontrar en la literatura el clásico OPR (Operating Performance Ratio, es decir, la relación entre el PR real respecto al objetivo), IPR y WPR (PR de la inversión y clima, que comparan resultados de producción real frente al objetivo, y la irradiación real frente a la esperada, respectivamente) cuyas cifras dan pistas a los propietarios sobre si sus gestores de activos están maximizando los activos o existe todavía un margen de mejora. También son útiles para comprobar cómo de correctos son los valores esperados estimados vigentes.

Producibles. Para la estimación de las pérdidas se necesita una referencia. Esa referencia o energía esperada se le suele llamar energía producible. Por tanto, Pérdida = Producible – Producción Real. Por otro lado, la condición o disparador de indisponibilidad también será relevante, tal y como se puede observar en el diagrama a continuación. En este estudio se han propuesto cuatro grupos de producibles de uso común.

Figure 3. Expected energies.

Estos grupos se perfilan en base a casos ordinarios recogidos a lo largo de dos años en una   reconocida empresa de ingeniería que desarrolla productos fotovoltaicos , proyectos, soluciones y software para sistemas de supervisión y control, basados en: a) PRs esperados derivados de un estudio inicial del rendimiento energético; b) modelos matemáticos; c) aquellos basados en un PR de referencia a partir del comportamiento empírico reciente de la unidad de generación; y d) el mejor comportamiento en una comparación del grupo (ver figura 3. Energías Esperadas). Si combinamos estas producibles con su corrección o no con factores (como la degradación del módulo o la temperatura) podemos obtener varios escenarios. Evidentemente, las condiciones o triggers de indisponibilidad serán de gran importancia, y que señales las rigen (iniciando el correspondiente cálculo de la pérdida). Sin embargo, esto debe cubrirse con un diagrama más intrincado que no entra dentro del alcance de este estudio.

Categorización de pérdidas. Después de analizar un buen número de requisitos contractuales y condiciones a las que nuestros clientes han tenido que enfrentarse en cuanto a categorización de pérdidas, se puede concluir que, sus necesidades podrían desglosarse en una clasificación de tipos simples. Dicha clasificación de pérdidas puede basarse en las respuestas a las siguientes preguntas:

a) ¿Quién asumirá el coste?; b) ¿Podemos controlarlas?; c) ¿En qué nivel eléctrico se encuentran?; d) ¿Cuáles son sus posibles causas? Así, dependiendo de la jerarquía ponderada de estas preguntas, se iniciará el árbol troncal de su clasificación.

Los ejemplos de clasificaciones utilizadas en casos reales quedan en el alcance de futuros estudios. Al fin y al cabo, lo que todo cliente/gestor de activos puede querer es una separación exhaustiva de las energías desde el inicio (llegada del sol al colector) hasta el último contador total que acomete en la frontera con la red, esto combinándolo además en cada nivel con toda la serie de posibles causas raíz de pérdidas de dicho nivel. Sin embargo, por otro lado, una clasificación más simple asegura un cálculo más correcto, evitando la redundancia en los capítulos de pérdida calculados (pérdidas contabilizadas por partida doble).

Esto podría ocurrir en clasificaciones más complejas y exhaustivas cuando las señales y los algoritmos no están modelados correctamente. A lo largo de este estudio sólo se cubrirá un caso, en la zona entre la entrada de CC del inversor y su salida de CA. Esto suele incluir el frecuente capítulo de, bajo rendimiento de los inversores, indisponibilidad y pérdidas por regulación.

III. CASO DE ESTIMACIÓN DE PÉRDIDAS

Caso. Veamos un ejemplo de estimación de pérdidas sin excesivo apoyo de sensorización. Ahora observamos un grupo de elementos, inversores, cuyo rendimiento es necesario controlar.

Este rendimiento no está rastreado por sensores específicos y ya hemos obtenido una separación previa de las pérdidas por regulación e indisponibilidad, ahora, ya nos podemos centrar únicamente en este trozo sobrante de pérdida:

Figura 4. Caso de pérdidas por bajo rendimiento.

Esta pérdida por bajo rendimiento se puede dividir a su vez en diferentes partes: a) la baja eficiencia del grupo de inversores b) la ineficiencia de fábrica c) bajos rendimientos específicos detectables por señales (por ejemplo: regulación por temperatura, curtailment, etc.) d) bajo rendimiento anómalo del elemento individual con respecto al grupo.

Figure 5. Split of underperformance ítems.

Centrémonos de nuevo en la única pieza desconocida de entre los diferentes capítulos de bajo rendimiento de los inversores, en concreto, en la parte que corresponde al bajo rendimiento individual del inversor respecto a su grupo y cuyas pérdidas queremos estimar. Si llamamos a la energía normalizada del inversor (dividida entre su potencia pico) como Yk  = Yieldinverter_k las pérdidas por bajo rendimiento pueden estimarse por su desviación individual respecto del comportamiento del grupo (la mediana o el mejor ponderado) independientemente de sus tamaños:

Figure 6. “Distance” losses expression.

De esta bolsa de ineficiencias inexplicadas se deben deducir las pérdidas de elementos individuales ya detectadas previamente por señales, como se menciona anteriormente (figura 5). Midiendo «distancias» del individuo al comportamiento del grupo de inversores, también podemos hablar de «aceleraciones» y detectarlas, creando ciertos eventos, y pronosticar en base a ellos incidentes futuros y fallos probables.

Todos estos métodos se pueden aplicar fácilmente en distintos niveles eléctricos/funcionales de elementos dentro de una planta fotovoltaica.  Los retos medioambientales y el crecimiento de la demanda de energía incitan a las compañías eléctricas a seguir estrategias ambiciosas para garantizar el funcionamiento óptimo y seguro de los sistemas de potencia eléctrica al utilizar fuentes de energía renovables (K. Yurtseven, 2021). En este sentido, existen numerosos estudios sobre algoritmos de detección de fallos sin sensorización, los cuales se han evaluado principalmente de acuerdo con a) la capacidad de detección de fallos b) la independencia medioambiental c) la no necesidad de software adicional d) la implementación clara e) la capacidad de diagnóstico de fallos y f) la simplicidad operacional.

IV. CONCLUSIONES

Los indicadores fotovoltaicos clásicos desempeñan aún un rol esencial en los ámbitos contractuales a pesar de no ser tan útiles en contextos operativos o portfolios de múltiples plantas/contratos/tecnologías, sobre todo si no se cuida suficientemente sus variables de entrada. La categorización de pérdidas no es tan fácil de estandarizar, a menos que sea compleja/exhaustiva y, por lo tanto, conllevando riesgos de redundancia en las pérdidas. Tanto los indicadores fotovoltaicos clásicos como la correcta clasificación de pérdidas configuran el ambiente adecuado para el obligado análisis del rendimiento, deduciendo dónde y cómo actuar para alcanzar la optimización de los activos fotovoltaicos. La detección de fallos sin sensorización por comparación de los individuos de un grupo se está convirtiendo en un enfoque práctico para la estimación de pérdidas y la alerta temprana de fallos y la creación de eventos.


BIBLIOGRAFÍA

6174-1, 2,3 I. T. (2017,2016, 2016). Photovoltaic system performance: Monitoring, Capacity evaluation method, Energy evaluation method. International Electrotechnical Commission, Part 1, 2, 3.

A. Chouder, S. S. (2010). Automatic supervision and fault detection of PV systems based on power losses analysis. Energy Conversion and Management 51, , 1929–1937.

A. Drews, e. A. (2007). Monitoring and remote failure detection of grid-connected PV systems based on satellite observations. Solar Energy 81, 548–564.Europe, S. (2020). Global Market Outlook for Solar Power 2020-2024. SolarPower Europe.

K. Yurtseven, E. K. (2021). Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical. Solar Energy 216, 96–110.

Mellit, A. T. (2018). Fault detection and diagnosis methods for photovoltaic systems: a review. Renew. Sustain. Energy Rev. 91, 1–17.

S. Silvestre, A. C. (2013). Automatic fault detection in grid connected PV systems. Solar Energy 94, 119–127.

S.K. Firth, K. L. (2010). A simple model of PV system performance and its use in fault detection. Solar Energy 84, 624–635.W. Chine, A. M. (2014). Fault detection method for grid-connected photovoltaic plants. Renewable Energy 66, 99-110.

Comments are closed.