Cómo la Inteligencia Artificial resuelve la pérdida de datos en plantas solares

Uno de los problemas más comunes, y más caros, en la operación de plantas fotovoltaicas es la pérdida de datos de producción. Sensores que fallan, comunicaciones que se cortan, inversores parados por mantenimiento. El resultado es el mismo: series de datos incompletas que dificultan tanto el mantenimiento de la planta como la previsión de cuánta energía se va a generar.

En Smarkia investigamos este problema desde hace tiempo, y el resultado de ese trabajo, un modelo basado en Deep Learning, se publicó en Expert Systems With Applications, una revista científica de referencia internacional. Te contamos, en términos sencillos, en qué consiste.

Qué es el Deep Learning, en dos frases

El Deep Learning es una rama del aprendizaje automático que utiliza redes neuronales con varias capas para identificar patrones complejos en los datos. Es la tecnología detrás de aplicaciones tan distintas como el diagnóstico por imagen o la previsión de tráfico, y también puede aplicarse a la reconstrucción de series de datos energéticos incompletas.

Por qué se pierden datos de producción solar

Las causas son variadas: fallos de comunicación, paradas de inversores, ruido en las mediciones, fenómenos atmosféricos o problemas de sensores. Según distintos estudios del sector, series con más de un 5% de datos perdidos ya requieren algún tipo de tratamiento antes de poder analizarse con garantías, y en la práctica no es raro encontrar pérdidas de hasta un 40% en series reales de producción solar.

Esta falta de datos no es un problema menor: afecta tanto a la operación y el mantenimiento de la planta, dificultando el mantenimiento predictivo, como a las previsiones necesarias para integrar correctamente la energía solar en el sistema eléctrico.

Qué aporta el modelo de Smarkia

La diferencia respecto a soluciones anteriores es que el modelo puede entrenarse con una única serie de datos de producción, incluso incompleta, sin necesidad de un histórico previo ni de señales externas correlacionadas, como radiación solar o temperatura. Esto lo hace especialmente útil en instalaciones donde no se dispone de series históricas largas o de sensores meteorológicos propios.

En las pruebas del estudio, el modelo mantiene buen desempeño incluso con series que tienen hasta un 70% de datos ausentes, con los mejores resultados en torno al 50% de pérdida, superando los resultados de otros enfoques previos.

Por qué esto importa para quien opera plantas solares

Más allá del componente académico, esta capacidad de reconstruir datos ante fallos de sensores es hoy parte de cómo Smarkia gestiona activos solares en producción, algo que Verdantix ha reconocido de forma explícita en su informe Smart Innovators: Energy Management Software (2025), al señalar que proveedores como Smarkia aplican deep learning en el borde de la red para reconstruir datos de generación solar ausentes y mantener la visibilidad de la instalación incluso cuando los sensores fallan.

En la práctica, esto se traduce en menos huecos en los datos, mejores previsiones de generación y menos tiempo perdido interpretando series incompletas, tanto si gestionas una planta solar en España como en Estados Unidos.

Si quieres consultar el detalle técnico completo, el paper está disponible públicamente en Expert Systems With Applications.