Mejora de la Eficiencia Energética de una Planta Fotovoltaica con la Detección Temprana de Fallos Mediante el Uso de Modelos Predictivos de Redes Neuronales Artificiales

Abstract

Un importante número de empresas españolas han decidido invertir en los últimos años en instalaciones de generación de energías renovables, debido fundamentalmente a la rentabilidad de dichas instalaciones. Dicha rentabilidad ha sido motivada por incentivos que el Gobierno español ha promocionado a través de decretos (R.D. 661/2007 de 25 de Mayo) que primaban considerablemente la generación de “energías limpias”. En concreto en Septiembre del 2008 comenzaron sus puestas en marcha numerosas Instalaciones Fotovoltaicas cuya energía eléctrica generada vertían a la red eléctrica española. Estas instalaciones se construían en los denominados Parques Fotovoltaicos o Solares los cuales se agrupaban en instalaciones de 100 Kw, que denominaremos en adelante Huertos Solares. La inversión realizada por cada uno de estos Huertos Solares suponía una media de 660.000 € (dato que utilizaremos para todo el proyecto aunque dicha cantidad lógicamente puede variar dependiendo de la tecnología adoptada), por lo que en general cualquier instalación de este tipo por pequeña que sea, supone una considerable inversión. El modelo de negocio inicial para estas instalaciones tenía previsto un periodo de 12 años para amortizar la inversión con una vida media de 25 años, lo que suponía una rentabilidad aproximada del 15%. A partir de dicha fecha podrían seguir produciendo los Parques Fotovoltaicos vendiendo la energía a precio de mercado sin incentivo alguno. Sin embargo, en este trabajo no nos vamos a centrar en el modelo de negocio, sino en cómo mejorar la producción lo que hará que lógicamente mejore la rentabilidad. El largo periodo de vida de estas instalaciones, junto con posibles modificaciones en los incentivos regulados por Decreto (de hecho ya ha ocurrido) hace necesario tener modelos predictivos de producción adaptables en cada momento que nos permitan rehacer el modelo de negocio para conocer con exactitud (o al menos del modo más aproximado posible) el resultado de la importante inversión. Conocido el modelo ideal de predicción de producción de la Instalación Fotovoltaica, éste nos permitiría por una parte rehacer el modelo de negocio y por otra comparar con la producción real, pero no nos aportaría más que una predicción que al fin y al cabo no modificaría la producción real, la cual es realmente lo que al propietario o inversor le interesaría poder mejorar. Es por ello que en este trabajo pretendemos dar un paso más adelante como aportación al conocimiento, obteniendo no sólo el modelo de predicción ideal, sino utilizándolo para mejorar la producción real de la instalación. Dada la gran inversión de un Parque Solar cualquier mejora en la producción mediante el modelo supondría una importante ganancia en euros. Para la obtención del modelo ideal de producción existen diversas técnicas matemáticas, como el clásico modelo de regresión matemática que nos permitiría obtener resultados con intervalos de confianza y parámetros totalmente definidos para el modelo. Sin embargo, el patrón de comportamiento de producción no sigue relación directa o indirecta con el conjunto de variables principales que influyen directamente en la producción, de ahí que pudiendo ser el mejor método, en el caso particular no se adapta y no aporta una solución fiable. Es por ello que revisada la bibliografía el modelo seleccionado para el estudio por considerar que se adapta muy bien al patrón de comportamiento es el de las Redes Neuronales Artificiales. Obtenido el patrón de comportamiento ideal de producción del Parque Solar, a través del entrenamiento de una red Neuronal con datos históricos de producción horaria a lo largo de un año (filtrados en ausencia de fallo, de modo que el patrón sea el ideal) obtendremos una comparativa con la producción real en cada momento. Una vez realizada esta comparación, en el presente trabajo nos centraremos en los posibles fallos del Parque Solar y en concreto en aquellos fallos que afecten al menos a un Huerto Solar completo. De los fallos seleccionados volveremos a centrarnos en aquellos fallos que nos permitan obtener la caída o disminución en la producción con suficiente antelación a la detección del fallo por el Sistema. Con un posterior análisis de criticidad y un sistema que defina la condición de alarma podremos implementar en el Scada un sistema de alerta temprana que permita avisar al personal de mantenimiento de la planta con objeto de reparar la avería o fallo, y evitar por tanto pérdidas innecesarias o visto de otro modo mejorar la producción o beneficio del Parque Solar. Este Trabajo Fin de Master, desarrollado con el grupo de Sistemas Inteligentes de Mantenimiento de la ETSI de Sevilla, se enmarca dentro del proyecto de investigación del citado grupo de título SMARTSOLAR, del programa OPN – INNPACTO (Ref IPT-2011-1282-920000), del Ministerio de Ciencia e Innovación.