Detección de fallas en sistemas solares fotovoltaicos por medio de modelado y algoritmos computacionales
PDF 
VER Citas bibliográficas
Gestores Bibliográficos
Indexadores
Enlace de Referencia
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen en español
No es extraño el interés en la aplicación de la energía solar fotovoltaica (FV) y su despliegue en Colombia, pues el país cuenta con una ubicación geográfica privilegiada para la irradiación solar, con un valor diario 15% mayor frente al promedio mundial. De hecho, se proyecta tener una capacidad instalada de 1.2 GW únicamente a partir del recurso solar a cierre de 2023. Sin embargo, la principal debilidad de la energía solar FV es su naturaleza intermitente y susceptibilidad a pérdidas y fallas. Una caracterización de pérdidas y fallas consolida una confiable evaluación de desempeño, a la vez de guiar hacia el alcance de la eficiencia esperada del sistema. Modelar computacionalmente un sistema FV permite realizar un análisis económico y de desempeño eficaz. No obstante, los modelos actuales carecen de flexibilidad en sus simulaciones, lo que dificulta explorar análisis avanzados de rendimiento. Por otra parte, las estrategias convencionales para detectar fallas no logran ser suficiente debido a la complejidad del perfil de la señal de datos, además de requerir costos adicionales. Los métodos que emplean inteligencia artificial se entrenan para aprender la relación entre los parámetros de entrada y salida de un sistema FV. Adicionalmente, es posible identificar estados defectuosos del sistema mediante evaluaciones de error. En este proyecto se propone un modelo computacional que es capaz de evaluar el rendimiento de un sistema solar FV permitiendo la detección de fallas. El modelo computacional se realiza con la librería PVlib e incorpora un algoritmo de cuantificación dinámica de pérdidas. El agente de detección de falla se desarrolla a partir de una red neuronal artificial que se entrena en una base de datos sintética, la cual incluye fallas conocidas. Finalmente, para la detección de fallas, se desarrolla una estrategia de definición de umbrales a partir de la información operativa y meteorológica de la instalación FV.
Resumen en inglés
The interest in the application of photovoltaic solar energy (PV) and its deployment in Colombia is not strange, since the country has a privileged geographical location for solar irradiation, with a daily value 15% higher than the world average. In fact, it is projected to have an installed capacity of 1.2 GW from the solar resource at the end of 2023. However, the main weakness of solar PV is its intermittent nature and susceptibility to losses and failures. A characterization of losses and failures consolidates a reliable performance evaluation, while guiding towards the achievement of the expected efficiency of the system. Computationally modeling a PV system enables efficient performance and economic analysis. However, current models lack flexibility in their simulations, making it difficult to explore advanced performance analytics. On the other hand, conventional strategies to detect faults are not sufficient due to the complexity of the data signal profile, in addition to requiring additional costs. Artificial intelligence methods are trained to learn the relationship between the input and output parameters of a PV system. Additionally, faulty system states can be identified through error evaluations. In this project a computational model is proposed that is capable of evaluating the performance of a solar PV system allowing the detection of faults. The computational model is made with the PVlib library and incorporates a dynamic loss quantification algorithm. The fault detection agent is developed from an artificial neural network that is trained on a synthetic database, which includes known faults. Finally, for the detection of faults, a threshold definition strategy is developed based on the operational and meteorological information of the PV installation.