Los errores en la lectura y medición de la generación energética de las plantas fotovoltaicas son un problema importante a la hora de potenciar el rendimiento de las instalaciones.
En Smarkia desarrollamos soluciones disruptivas tanto a nivel técnico como a nivel científico para lograr una transición energética hacia un sistema más sostenible. Por eso hemos desarrollado una solución para este problema de medición de las plantas fotovoltaicas. Se trata de una investigación que se basa en el uso de Inteligencia Artificial (IA), dentro de la rama de estudio del Deep Learning, y ha sido publicada en Expert Systems With Applications, revista de referencia internacional en su categoría científica.
En este artículo te ofrecemos un resumen de lo publicado en el artículo científico para que conozcas cómo el Deep-Learning mejora la calidad de los datos en las plantas fotovoltaicas.
¿Qué es el Deep Learning?
En primer lugar, queremos aclarar este concepto. El término Deep Learning hace referencia a un campo de estudio concreto y constituye una de las ramas de Inteligencia Artificial más investigadas en la actualidad. Esta rama de estudio engloba a todas las redes neuronales artificiales que tienen profundidad. Estas redes neuronales están compuestas por varias capas y permiten llevar a cabo las operaciones más complejas de IA.
El problema de la pérdida de datos de generación fotovoltaica.
La producción solar fotovoltaica está creciendo en España de forma exponencial. Según datos de REE (Red Eléctrica de España), en diciembre de 2022 el parque nacional de generación fotovoltaica rozaba los 19000 megavatios de potencia. Es decir, solo en el último año ha crecido un 3,8%.
Este aumento de la producción fotovoltaica conlleva numerosos beneficios para toda la sociedad, aunque también presenta varios retos tecnológicos. Uno de ellos es la falta de capacidad para medir de forma precisa la producción de energía y su relación con otros factores.
Este problema tiene un impacto mayor del que se podría esperar, ya que afecta tanto a la operativa y mantenimiento de las instalaciones, como a las previsiones que son necesarias para integrar correctamente la energía solar dentro del sistema eléctrico.
Problemas operativos y de mantenimiento provocados por la ausencia de datos.
Manejar datos fiables y precisos es clave para realizar un correcto análisis sobre la producción y mantenimientos predictivos avanzados, lo que repercute en una mayor rentabilidad y eficiencia de la instalación.
Estos datos son necesarios para conocer y predecir la generación eléctrica de la planta a lo largo del tiempo, así como para mejorar su rendimiento y vida útil.
Problemas de previsión de la producción asociadas a la pérdida de datos.
La producción fotovoltaica depende de factores meteorológicos como la radiación solar, la temperatura, la humedad relativa o las precipitaciones, entre otras, lo que produce fluctuaciones en la producción. Estas fluctuaciones pueden suponer un problema en instalaciones conectadas a la red, ya que es necesaria cierta previsibilidad para integrarla energía en el operador del sistema eléctrico.
Por lo tanto, la capacidad de hacer un forecasting preciso es esencial para la integración de la energía fotovoltaica. El problema radica en la falta de datos de producción, climatológicos, etcétera, en muchas de las series utilizadas para realizar estas predicciones, lo que afecta de manera negativa a la calidad del forecasting y, por tanto, a la operatividad de estas plantas.
¿Por qué se producen pérdidas de datos?
La pérdida de datos en la producción fotovoltaica es algo habitual y se debe a multitud de factores como:
- Problemas de conexión/comunicación
- Paradas por mantenimiento o reparaciones de los inversores
- Aparición de outliers producidos por ruido
- Mal funcionamiento por causa de fenómenos atmosféricos
- Problemas de los sensores
- Problemas en infraestructuras
- Etc.
Algunos autores indican que una serie temporal que tenga una pérdida de hasta el 5% de los datos ya requiere un tratamiento para poder ser utilizada. En muchos casos, la pérdida de datos puede alcanzar hasta el 40% de la información de la producción solar, algo que impide que esas series de datos puedan usarse para realizar análisis sobre ellas.
En estos casos es necesario realizar una estimación de datos perdidos para habilitar un análisis exhaustivo sobre ellos. Este problema ya se ha estudiado antes, aunque solo Smarkia ha encontrado una solución mediante la aplicación de IA que supera los logros anteriores.
Cómo la IA puede solucionar el problema de ausencia de mediciones.
La aplicación de Inteligencia Artificial y Deep learning ya se ha usado con anterioridad para solucionar problemas de clasificación y predicción de modelos en otros ámbitos, como en el diagnóstico de algunos tipos de cáncer o la previsión de problemas de tráfico.
Sin embargo, la innovación de Smarkia consiste en la aplicación de una red neuronal artificial que puede entrenarse con una única serie de datos de producción energética. A diferencia de otras técnicas, este modelo aprende los patrones de variabilidad presentes en los datos y predice con exactitud incluso cuando se utiliza la misma serie de datos para el entrenamiento. Esto ofrece una solución mejorada para la imputación de datos perdidos.
Además, el modelo puede trabajar con series de datos en las que se haya perdido hasta un 70% de los mismos, aunque los mejores resultados los logra cuando ese valor ronda el 50%, algo que supera las cifras logradas por otros modelos hasta la fecha.
Beneficios de la aplicación de IA en la medición de producción y almacenaje de energía.
El modelo propuesto en el estudio permite completar series de datos parciales, facilitando así la operación y previsión de la producción de electricidad en plantas fotovoltaicas. Adicionalmente, este nuevo enfoque consigue hacerlo mejorando lo que otros modelos habían logrado hasta la fecha, reduciendo la necesidad de datos previos, mejorando la velocidad de procesamiento y la calidad de los datos obtenidos.
Menor necesidad de datos previos.
Este modelo es capaz de aprender de los datos de forma no supervisada sin necesidad de ser entrenado con diferentes datos de ejemplo. De hecho, el modelo puede entrenarse con el mismo set de datos que se quiere reconstruir, haciendo que tanto el entrenamiento como la predicción formen parte del proceso de imputación para la misma serie.
La ventaja de esta solución es que, aun siendo un modelo de Deep-Learning, funciona desde el momento en el que existe una única serie temporal para su entrenamiento, aunque esté incompleta. Es decir, se entrena muy rápido sin necesidad de un conjunto de datos previo.
Mejora de la velocidad de procesamiento.
Aunque el método propuesto está basado en Deep-Learning, lo que significa que tiene varias capas con parámetros ajustables para adaptarse a los datos, el modelo puede generalizarla predicción de datos de los valores faltantes con tan poco entrenamiento como el realizado con una única muestra parcial.
Esto es así incluso si la muestra está incompleta y debe ser reconstruida, lo que produce que las etapas de entrenamiento y predicción sean parte del mismo proceso de imputación, reduciendo así los tiempos de procesamiento.
Además, no se requieren otras señales correlacionadas externas para entrenar el modelo, lo que lo hace ideal para contextos restringidos que carecen de datos previos o en entornos donde no se conozcan las señales correlativas como radiación solar, temperatura o velocidad del viento.
Mejora de la calidad de los datos.
Nuestra solución es capaz de adquirir los factores de variabilidad de los datos mediante una única muestra de ejemplo (dichos factores representan cómo varían los datos en el tiempo).Esta realidad se debe, por ejemplo, a la diferencia de radiación solar a lo largo del año, la variación en la hora que amanece y atardece o en el ángulo de radiación, entre otros.
De esta forma, se logra que la predicción de los datos ausentes respete la distribución de los datos existentes en la serie y, por tanto, se logren predicciones más ajustadas ala realidad.
Smarkia: tecnología innovadora y de vanguardia.
En Smarkia buscamos nuevas formas de optimizar la transición energética, y no nos conformamos con las soluciones establecidas. La publicación de este paper es otra muestra de nuestra tecnología de vanguardia y capacidad de innovación, que nos permite operar con nuevas y mejores soluciones en los desafíos del presente y del futuro.
Si quieres acceder al paper completo puedes hacerlo aquí.
Desde Smarkia ponemos nuestra excelencia contrastada al servicio de las empresas que quieran liderar la transición hacia un futuro sostenible mediante soluciones inconformistas, disruptivas e innovadoras que ofrecen resultados tangibles. Si quieres unirte a la(r)evolución energética puedes ponerte en contacto con nosotros a través de nuestra web.
