El poder de la Inteligencia Artificial para diseñar el futuro de la industria solar

En el ámbito de la energía solar fotovoltaica, la IA puede contribuir a procesar con mayor rapidez y eficiencia la gran cantidad de datos procedentes de los proyectos. La información extraída de este análisis permite mejorar la gestión de los activos y constituye una poderosa herramienta estratégica para guiar la toma de decisiones de los propietarios de plantas solares, con el fin de maximizar el rendimiento de sus inversiones. Algunos de estos procesos basados en la IA están relacionados con las inspecciones automatizadas, la previsión energética, la respuesta a la demanda y el análisis del rendimiento de los proyectos. Algunos ejemplos son:

1. Inspecciones termográficas (Infrared o IR, por sus siglas en inglés) con drones: en lugar de utilizar muestras representativas de módulos, las flotas de drones con cámaras IR permiten realizar escaneos de proyectos fotovoltaicos enteros, optimizando así el tiempo de inspección. A continuación, los datos recogidos a través de estos escaneos se analizan mediante modelos basados en IA, pudiendo realizarse posteriormente más pruebas de IR manuales en áreas específicas.
    
2. Integración «inteligente» del sistema de adquisición de datos (Data Acquisition System o DAS, por sus siglas en inglés): Las alarmas siempre han formado parte de los DAS, pero la IA contribuye a mejorar la precisión y relevancia de la información proporcionada. Algunos proveedores de sistemas DAS «inteligentes» generan informes mensuales detallados que, además, incluyen recomendaciones útiles como, por ejemplo, las fechas óptimas de limpieza de determinados string de módulos, o informan de problemas sistémicos específicos de ciertos inversores, estimando el número de días tras los cuales cabe esperar que se produzcan fallos críticos.
    
3. Análisis del rendimiento mediante técnicas de Machine Learning (ML): De forma similar a los sistemas DAS inteligentes, el análisis de rendimiento de los proyectos depende cada vez más de las técnicas de ML para descubrir los problemas sistémicos. Con datos disponibles con una resolución temporal de hasta un minuto (o incluso menos), y procedentes de varios años de funcionamiento, los modelos de ML se están volviendo lo suficientemente robustos como para confiar en ellos para observaciones fiables.
    
4. Detección de defectos en módulos: Las anomalías en los paneles solares pueden identificarse utilizando cámaras especiales que captan imágenes IR y de Electroluminiscencia (EL). Si hay defectos en un módulo, se generarán patrones específicos que permitirán identificarlos y clasificarlos. Con estas métricas es posible generar modelos ML robustos para analizar y señalar automáticamente las zonas afectadas, determinando también su impacto en el rendimiento del dispositivo.
    
5. Previsión energética: Los modelos de IA pueden utilizarse para predecir la producción de los proyectos fotovoltaicos, a veces con días de antelación. Este cálculo depende de la calidad de las previsiones meteorológicas y es utilizado por los propietarios de las plantas de generación y las empresas eléctricas para informar de las operaciones diarias.
    
6. Respuesta a la demanda: Con procesos similares, las empresas eléctricas utilizan los datos de consumo de los usuarios finales para predecir la demanda futura de la red. Esto les permite determinar cuánta más o menos energía se necesitará. Dependiendo de la situación, por lo tanto, se pueden apagar algunas plantas fotovoltaicas ya en funcionamiento por saturación, o se pueden encender centrales de generación adicionales (por ejemplo, centrales eléctricas tradicionales) para satisfacer la demanda de energía.
    
7. Análisis del rendimiento de los proyectos: La IA puede utilizarse para supervisar y optimizar el rendimiento de los proyectos de energía solar fotovoltaica en tiempo real. Los algoritmos de IA pueden analizar datos de sensores y otros dispositivos de supervisión para identificar problemas e ineficiencias y recomendar ajustes para mejorar el rendimiento.
    

Enertis Applus+ ha desarrollado herramientas digitales específicas basadas en IA, como el Advanced Performance Analytics Application (A-PAA) y el Smart PV Inspection Tool (SPI), para realizar tareas relacionadas con los puntos (1), (3) y (4).

La gestión de una planta fotovoltaica supone llevar a cabo un mantenimiento adecuado de los equipos in situ para maximizar la producción de energía. Esta tarea puede suponer un importante reto, ya que en un mismo proyecto fotovoltaico puede haber miles de módulos y cientos de inversores. Hasta hace pocos años, los propietarios de los proyectos tenían que contratar a un profesional autorizado para que recorriera el emplazamiento y tomara fotos y escaneos infrarrojos de una muestra representativa de módulos. A continuación, hacía recomendaciones generales sobre cómo proceder para reparar y sustituir los módulos defectuosos, o incluso cómo corregir las expectativas de producción de energía. Estos procesos pueden llevar mucho tiempo, sobre todo cuando los módulos se envían a un laboratorio de pruebas externo. Esto significa que pueden pasar semanas antes de que se descubran y resuelvan los problemas sistémicos, lo que repercute negativamente en las oportunidades de financiación del proyecto, así como en los plazos de los contratos de compraventa a largo plazo de energía (Power Purchase Agreement o PPA, por sus siglas en inglés) y de construcción.

Los recientes avances en tecnología y desarrollo de software han proporcionado una solución para acelerar estos largos procesos mediante una combinación de vuelos con drones dotados de cámaras IR y modelos de IA. El Smart PV Inspection Tool (SPI), por ejemplo, aporta velocidad y precisión a este tipo de inspecciones. La herramienta es capaz de procesar, en cuestión de minutos, los miles de imágenes que se recogen de los vuelos, buscando múltiples tipos de defectos que puedan afectar al rendimiento de un activo, clasificando automáticamente su criticidad y geolocalizando los módulos defectuosos dentro de la planta. Además, el SPI garantiza la entrega de los resultados finales en un par de días, lo que permite una respuesta rápida por parte de los propietarios del proyecto. El tiempo de inspección se puede optimizar aún más utilizando laboratorios móviles, que pueden enviarse a la planta fotovoltaica para realizar pruebas in situ a los módulos defectuosos, ahorrando tiempo y dinero.

El análisis del rendimiento de los activos es otro punto central en el que la IA está ayudando a los analistas a obtener más información a partir de los datos registrados por los sistemas SCADA. El análisis de rendimiento mensual tradicional proporciona una visión de más alto nivel del estado del sistema y no puede informar sobre cuánta producción se pierde debido a eventos de inactividad u otras razones. La combinación de herramientas avanzadas de Data Science y modelos ML ha abierto nuevas fronteras, permitiendo el procesamiento de datos a cualquier nivel jerárquico de componentes y a intervalos pequeños, como un paso temporal de un minuto.

Como ejemplo de esta aplicación, en Enertis Applus+ se utiliza el Advanced Performance Analytics Application (A-PAA) para calcular métricas clave, como la evolución real de la producción de cada componente, cuánta energía se ha perdido durante determinados periodos de inactividad desde el nivel de contador hasta el nivel de string, y el comportamiento óptimo de los distintos tipos de dispositivos en función de sus datos históricos. También se pueden realizar análisis independientes para determinar las pérdidas debidas a diferentes causas, como la degradación de los equipos a largo plazo, los recortes impuestos por la compañía eléctrica, los módulos sucios, los seguidores a un eje que no funcionan y para calcular las pérdidas óhmicas reales entre el inversor y el punto de interconexión.

Al igual que con otras herramientas de IA, los resultados pueden utilizarse para ayudar a afinar las expectativas de P50 de cara al futuro, así como para informar a los propietarios de los proyectos y a los gestores de activos de las causas más probables del bajo rendimiento. Otro elemento atractivo de la herramienta es su capacidad para procesar cualquier tipo de información proporcionada, independientemente del formato de datos utilizado. Por lo tanto, si un portfolio cuenta con varias plantas fotovoltaicas con diferentes sistemas SCADA, todas ellas pueden integrarse en una única plataforma, centralizando así la información y permitiendo una comparación directa del rendimiento de todos los activos.

En conclusión, está claro que las aplicaciones de IA ya están desempeñando un papel clave en la transformación del sector solar fotovoltaico, ya que contribuyen a mejorar la eficiencia y la seguridad de los proyectos y a impulsar la transición hacia un sistema energético más sostenible. De cara al futuro, cabe esperar que también aumente la investigación sobre los modelos de lenguaje amplio (Large Language Models, o LLM por sus siglas en inglés), para explorar su impacto en nuestra industria. Se avecinan tiempos apasionantes para la energía limpia.

Artículo escrito por Lucas Viani, Data Science Team Manager, y Brian Custodio, Director, Data Science and Consulting for North America. Publicado en el número de Mayo de 2023 en la revista Energética.