Para lograr este objetivo, dentro de la aplicación se incluyen avanzadas herramientas de análisis basadas en técnicas de data-mining o minería de datos, junto con otras herramientas implementadas íntegramente por CENER, como por ejemplo un algoritmo para la detección automática de sombras. Además, se incorporan también algoritmos de simulación desarrollados por CENER durante los últimos años, con los que se puede estimar la respuesta eléctrica de cualquier tipología y modelo de módulo FV, en cualquier condición de irradiancia y temperatura, y tanto para un módulo en buen estado, como cuando presenta algún tipo de defecto (presencia de grietas, corrosión por humedad, diodo de paso cortocircuitado, etc).
La integración conjunta de todas estas herramientas de análisis y simulación se realizará en una plataforma Web interactiva y posibilitará al usuario final establecer una comparativa directa entre los datos de producción reales de cada uno de los inversores, con los que debería presentar el sistema sin la presencia de ningún tipo de defecto y/o problema, así como incluso localizar e identificar el origen físico de este posible problema.
Trabajo desarrollado y objetivos alcanzados
Durante la presente anualidad se han mejorado los modelos de simulación iniciales implementados mediante la herramienta de PSIM, ajustando mejor los parámetros de simulación de los distintos tipos de módulos para adecuarlos todavía más a la realidad, e integrando funcionalidades que permitan simular con mayor precisión el efecto de la presencia de distintos tipos de defectos, así como la potencial combinación de varios de ellos en el mismo módulo o rama.
En paralelo a la mejora de los algoritmos de simulación, se trabajó activamente en la optimización de la metodología avanzada de análisis de defectos. Además, la metodología creada se ha implementado en varias plataformas de programación, más potentes y con mayores funcionalidades que la plataforma original, que era Visual basic de Excel. En concreto, se ha realizado una primera migración completa
a la plataforma R, y actualmente se está llevando a cabo una segunda traslación del programa a la plataforma Python. Con el uso de estas nuevas plataformas de programación se ha mejorado considerablemente la representación gráfica de los resultados obtenidos del análisis, permitiendo al potencial cliente visualizarlos de una forma rápida y sencilla, para que pueda así extraer unas primeras conclusiones importantes tan solo analizando las gráficas que se muestran.
En paralelo al proceso de migración y mejora del programa de análisis, se comienzan a estudiar e introducir nuevas funcionalidades basadas en técnicas de análisis de data-mining o minería de datos. La primera aplicación directa de estas nuevas técnicas relacionadas es la implementación de una metodología para la depuración, pre-tratamiento y posterior selección de los datos monitorizados en campo. A la hora de poder extraer conclusiones definitivas del análisis de los datos es preciso que estén lo más “limpios posibles”, por lo que la eliminación de datos anómalos, minimización del ruido, aseguramiento de la sincronía, etc, son etapas indispensables antes de aplicar cualquiera de las técnicas de clasificación o predicción.
Se ha implementado y optimizado también una funcionalidad importante que permite la detección de la presencia de sombreados que afecten a los módulos de los distintos inversores, e incluso calcular la pérdida relativa de energía generada ocasionada por esos periodos de sombreado. Además, de esta forma, el usuario final puede elegir si quiere eliminar estos datos “contaminados” por el efecto de las sombras, para que no enmascaren la presencia de algún defecto o fallo que pueda disminuir el rendimiento eléctrico del inversor correspondiente de forma permanente.
Se ha diseñado e implementado una base de datos específica en MySQL, para poder incluir todos los datos monitorizados en cualquier instalación FV de cualquier potencial cliente, independientemente de las características específicas de la planta y del nivel de monitorización eléctrica de la misma.
Por otro lado, en paralelo a la mejora del programa de análisis, se ha continuado trabajando en el diseño de un sistema de sensorizado de corriente sin necesidad de cableado. Como primer paso en el diseño de la nueva estructura de sensorizado se han valorado distintas tipologías y tecnologías de sensorizado de corriente, para averiguar cuál es la que mejor puede adaptarse a la hora de ser integrada dentro de un cuadro eléctrico de primer nivel estándar de una instalación FV, y que pueda proporcionar además valores de corriente precisos y fiables, incluso de un ambiente de alta contaminación electromagnética. En la siguiente fase se está trabando ya en el desarrollo de un nuevo prototipo experimental que integre múltiples sensores de corriente, que se alimente de forma autónoma y que se pueda integrar fácilmente en los cuadros eléctricos de la propia instalación FV.
Conclusiones:
• Se ha conseguido implementar y optimizar una metodología avanzada de análisis que permite detectar la presencia de módulos con problemas a través del análisis de los datos monitorizados por los inversores FV.
• La herramienta implementada posibilita no sólo localizar las ramas FV con potenciales defectos, si no que permite estimar la clase de defecto concreto que está limitando la potencia eléctrica de la rama afectada.
• Los algoritmos de detección desarrollados se han implementado en 2 plataformas versátiles distintas: R y Python.
• Se han comenzado a implementar funcionalidades adicionales basadas en técnicas de análisis de Data-mining.
• Se han comparado distintos tipos de sensores y se está trabajando en el desarrollo de un prototipo que integre múltiples sensores de corriente y que pueda integrarse fácilmente en los cuadros eléctricos de la instalación FV.
