Artículo publicado en la Revista Canal Solar. Hacer clic aquí ¡Y descárgalo ahora gratis!
En EE. UU., estudios recientes indican que el 62 % de las instalaciones solares presentan problemas críticos de producción, de los cuales el 91 % están relacionados con componentes de CC [1]. Una parte significativa de los problemas de generación se relaciona con la suciedad y las conexiones en los paneles, lo que resulta en una pérdida de producción mensual de hasta el 30 %, dependiendo de la ubicación de la instalación [2].
De hecho, prácticamente la gran mayoría de las instalaciones solares en el mundo pueden estar experimentando serios problemas de generación, y hasta ahora no existían métodos de diagnóstico prácticos y efectivos ni herramientas capaces de verificar pérdidas de desempeño del sistema; y en Brasil no es diferente.
La forma más sencilla de evaluar la pérdida de rendimiento es predecir la generación que debería generar la planta en las condiciones climáticas actuales. Los métodos actuales generan una incertidumbre considerable, ya que no calculan una referencia de generación precisa, lo que impide un análisis preciso de la producción prevista de la planta.
El principal método de diagnóstico de grandes plantas en Brasil es la verificación del Performance Rate, que no es una traducción literal del inglés “Performance Ratio” [3].
Fundamentalmente, el Performance Ratio es un término académico creado para comparar la calidad de instalaciones en diferentes regiones y orientaciones, y representa la relación entre la energía realmente producida y la energía que se produciría si el sistema funcionara de forma continua a su eficiencia nominal STC (lo que supondría condiciones poco realistas de radiación solar constante de 1000 W/m2 y 25° de temperatura), nunca siendo su objetivo el seguimiento de plantas.
El uso de la tasa de rendimiento para el diagnóstico de pérdida de rendimiento tiene las siguientes limitaciones:
- El rendimiento teórico simulado durante el dimensionamiento no es el mismo que el de la planta instalada, por lo que no existe una referencia para comparar, lo que hace imposible predecir la generación esperada.
- La tasa de rendimiento es a priori una magnitud para el análisis del promedio estadístico anual, ya que la varianza mensual es extremadamente sensible a los cambios estacionales.
- La tasa de rendimiento es una ecuación simplificada y no puede representar en absoluto lo que hace el complejo modelo de simulación de generación, por lo que pequeños cambios de temperatura, por ejemplo, pueden verse compensados por efectos debidos a la suciedad y es imposible concluir qué está sucediendo con la planta.
De hecho, el propio PVsyst en sus tutoriales afirma que las correcciones implementadas para evaluar la tasa de rendimiento en periodos cortos (no anuales) no son convincentes, afirmando que:
Implementamos esto en la versión 6.74 de PVsyst. Sin embargo, el resultado no es muy convincente, ya que en la mayoría de los sistemas fotovoltaicos, otras contribuciones dependen de la estación. Añade que esta corrección es prácticamente inutilizable con sistemas de seguimiento, ya que las variaciones estacionales debidas al seguimiento dominan en gran medida el efecto de la temperatura.
Dentro de la misma lógica de evaluación del rendimiento, algunos servicios todavía intentan diagnosticar la generación actual de la instalación, comparándola con la simulada generalmente en PVsyst durante la fase de diseño utilizando datos meteorológicos históricos.
Este método es especialmente inexacto porque la variación interanual se diluye dentro del promedio histórico, por lo que la probabilidad de que un mes actual tenga la misma generación que el promedio histórico es pequeña.
El propio manual de PVsyst [4] afirma: «Los datos meteorológicos (climáticos) comúnmente disponibles suelen presentar incertidumbres de diversos tipos, que pueden generar diferencias muy significativas entre fuentes o años dentro de la misma fuente. Estas pueden ser:
- La variabilidad anual, que se supone que tiene una distribución gaussiana,
- La calidad del registro de datos, el cuidado del operador, el posicionamiento, la calibración y la deriva de los sensores, perturbaciones como sombras, suciedad o nieve en los sensores, etc.
- La presencia de un horizonte que no es despreciable para las mediciones terrestres,
- La diferencia de ubicación (distancia desde la estación de medición) para mediciones terrestres,
- La calidad de los modelos utilizados para interpretar los datos satelitales, que ha mejorado continuamente durante 20 años,
- Evolución del clima. En Europa, la radiación parece haber aumentado hasta un 5% desde principios del siglo XXI.
Un método más reciente, denominado pronóstico mediante aprendizaje automático (un subconjunto de la denominada inteligencia artificial), analiza la correlación entre la temperatura, la irradiancia solar y la energía eléctrica generada. Este método, utilizado por empresas como Delfos y Prescinto, por ejemplo, se denomina erróneamente gemelo digital.
Por lo tanto, suele ser necesario entrenar esta correlación con los datos de la planta de un año para predecir la generación del año siguiente. El mayor problema del aprendizaje automático es que simplemente manipula los datos, sin conexión con el modelo físico y eléctrico de la planta. De la descripción anterior, podemos ver las desventajas de este método:
- El monitoreo solo puede implementarse después de un año, y en la práctica, es difícil esperar o tener plantas tan antiguas. Es importante tener en cuenta que la mayoría de los inversores solo proporcionan datos de entre 1 meses y un año, por lo que es imposible comprender el historial de plantas antiguas.
- Si el modelo se entrena en una planta que ya tiene problemas (y esto también sucede frecuentemente en plantas nuevas), el monitoreo seguirá diciendo que la planta está en perfectas condiciones, cuando en realidad no lo está.
- Si los datos utilizados para el entrenamiento no son absolutamente perfectos, el Machine Learning, al ser una “caja negra”, es extremadamente difícil de interpretar, y por tanto no es una solución para empresas que no disponen de un departamento de Data Science.
Actualmente, el gemelo digital (gemelo virtual) se considera la tecnología más avanzada y confiable para analizar pérdidas de rendimiento en plantas solares; sin embargo, es implementada solo por unas pocas empresas de alta tecnología con departamentos científicos como General Electric, Engie y Total Energy.
Un gemelo digital es esencialmente una representación virtual de una central eléctrica real, que corresponde a su equivalente físico y eléctrico. Su funcionamiento es fácil de entender: básicamente, realiza simulaciones de generación utilizando datos meteorológicos actuales.
En pocas palabras, es lo mismo que ejecutar simulaciones en software de dimensionamiento profesional como PVsyst, PVSol, Solextron y otros, utilizando datos meteorológicos en tiempo real. Por lo tanto, el Gemelo Digital es la única tecnología de monitorización capaz de proporcionar una referencia absoluta para la generación de energía, basada en el modelo teórico.
En el siguiente ejemplo, una central eléctrica de 1.2 MWp instalada hace dos años ya presentaba signos de suciedad durante al menos el último año. Los valores naranjas indican la generación real del inversor, mientras que las barras azules indican el Gemelo Digital.
Es claro que hasta el 8 de agosto, cuando se realizó la limpieza de la planta (flecha verde), la instalación exhibía una pérdida consistente de ~17%, pérdida que fue eliminada luego de la limpieza.
Lamentablemente, la planta perdió aproximadamente R$300 solo en el segundo año, y no se tuvo conocimiento de ello debido a la falta de un monitoreo efectivo. Al comparar el monitoreo de la misma planta con Gemelo Digital y Aprendizaje Automático en el mismo ejemplo a continuación, se evidencia que, con los datos del inversor, el Aprendizaje Automático indicó erróneamente que el pronóstico de generación antes de la limpieza no presentaba problemas y, después de la limpieza, que la planta generaba más de lo debido.
Básicamente, si no hubo limpieza, el monitoreo de Machine Learning indicaría que la planta no tiene problemas, cuando el Gemelo Digital indica claramente que estaba sucia y también puede cuantificar las pérdidas.
Como la metodología de monitoreo más precisa disponible, el Gemelo Digital de Bel Energy impacta significativamente las instalaciones solares financieramente de las siguientes maneras:
- Reduce drásticamente el riesgo de pérdidas de rendimiento, que se producen con frecuencia en la gran mayoría de plantas terrestres, instalaciones rurales, zonas boscosas y montañosas, zonas costeras, regiones contaminadas y cerca de carreteras. También reduce el riesgo de pérdida de potencia en instalaciones con problemas de conexión, recortes, desclasificación, etc.
- Digital Twin reduce significativamente los costos de O&M, ya que reduce la necesidad de una gran cantidad de ingenieros para la verificación del rendimiento y las visitas, especialmente porque sin Digital Twins, es muy difícil sacar conclusiones de análisis con incertidumbres aceptables.
El Digital Twin llegó a Brasil y es una realidad reciente, y sólo está disponible a través de la empresa suiza Solextron, ahora parte del grupo Belenergy.
[1] R. Kennedy, “Las principales causas de los problemas de rendimiento de la energía solar”, PV Magazine 2023
[2] A. Kimber et al, “El efecto de la suciedad en grandes sistemas fotovoltaicos conectados a la red en California y la región suroeste de los Estados Unidos”, 2006.ª Conferencia Mundial sobre Energía Fotovoltaica del IEEE de 4.
[ 3 ] https://www.pvsyst.com/help-pvsyst7/performance_ratio.htm
[ 4 ] Diseño de proyectos > Evaluaciones P50 – P90
Las opiniones e información expresada son responsabilidad exclusiva del autor y no necesariamente representan la posición oficial del autor. Canal solares.
