Uso de algoritmos avanzados en la monitorización de fallos fotovoltaicos

Este informe proporciona una introducción al emergente campo del monitoreo estadístico sobre desempeño para sistemas fotovoltaicos (PV) con el desarrollo de un estudio sobre sistemas de detección de fallas y sus aplicaciones.

El sondeo realizado identificó cuatro métodos principales utilizados en la identificación de fallas:

• (i) identificar firmas eléctricas defectuosas,
• (ii) comparar el desempeño histórico con el desempeño real,
• (iii) comparar el desempeño predicho con el desempeño real y
• (iv) comparar las relaciones entre diferentes sistemas o subsistemas fotovoltaicos.

Los cuatro enfoques utilizados para identificar fallas incluyen la aplicación de algoritmos de aprendizaje automático, pruebas estadísticas, especificación de reglas computacionales y generación de simulaciones mediante la utilización de modelos.

Como se muestra en la Figura 1, a partir de los trabajos de investigación estudiados, Asia es líder mundial en el estudio y desarrollo de sistemas de detección de fallas fotovoltaicas, seguida de Europa.

Los diferentes parámetros utilizados por los desarrolladores por los sistemas de detección de fallas consideran corriente y / o voltaje (CA o CC) (25%), irradiancia (19%), temperatura (17%) y datos de curva IV (12%).

El estudio también encontró claras preferencias en la utilización de algoritmos de aprendizaje automático. Entre los trabajos estudiados, las redes neuronales artificiales son las más populares (30%), seguidas de K Nearest Neighbors (10%), sistemas de lógica difusa -fuzzy- (8%), asi como mecanismos de soporte para vectores y análisis de regresión lineal (7%).

Además de explicar los algoritmos estadísticos en uso y estudiar los enfoques utilizados para identificar fallas, este informe también ha revisado las diferentes fuentes de datos utilizadas por los sistemas de detección de fallas fotovoltaicas.

La investigación ha descubierto que los datos de entrada de detección de fallas fotovoltaicas provienen de una variedad de dispositivos y fuentes, incluidos sensores conectados en el sitio, estaciones meteorológicas comerciales, inversores, optimizadores y trazadores de curvas IV. Dependiendo de la arquitectura del sistema del dispositivo, hay diferentes parámetros disponibles para diferentes frecuencias y precisiones.

A partir de este análisis, parece que una estrategia de entrenamiento para aprendizaje automático que utiliza datos de ensayo cercanos en el tiempo a los datos de prueba proporciona mejores resultados y que los datos de rendimiento y los datos ambientales parecen estar a la par entre sí para algunos algoritmos de aprendizaje automático con respecto a la precisión del resultado.

Al comparar 8 de los 22 algoritmos resumidos y comparados en igualdad de condiciones, en la que cada uno recibió los mismos datos de un sistema fotovoltaico en vivo, se encontró que diferentes algoritmos tienen sensibilidades muy diferentes.