15 TERMOGRAFÍA Paneles fotovoltaicos Equipos planta fotovoltaica DB mantenimiento y termografía Plataforma IoT Metaverso BI analizando datos reales de producción, mantenimiento y proceso en base a una instalación fotovoltaica. La plataforma IoT y sensórica permite monitorizar, supervisar y controlar los datos, eliminando así la distancia existente entre los sensores, dispositivos y las redes de datos, y acercando la información de campo a los equipos técnicos. Para ello, en este piloto se ha planteado una red IoT configurada en tres capas diferentes: sensórica IoT, dispositivo IoT Edge y Cloud. Por otro lado, en cuanto a la implementación de Machine Learning en la solución, se ha desarrollado un Modelo de Análisis de Supervivencia que permite predecir la probabilidad que existe de error en los tres principales componentes de la instalación fotovoltaica: placas, inversores y baterías. En la segunda fase del proyecto se hará el test y la optimización con datos reales de la instalación. RESULTADOS OBTENIDOS EN LA PRIMERA FASE DEL PROYECTO La necesidad existente de implantar el mantenimiento predictivo en instalaciones fotovoltaicas de una manera eficiente para minimizar fallos y optimizar el rendimiento en la producción, pasa por adaptar los datos existentes Figura 1. Proceso de implantación del mantenimiento predictivo. 1. Análisis de datos y equipos en planta - Sensórica existente - Sistemas SCADA y equipos - Datos de mantenimiento correctivo y preventivo. 1. Definición de requisitos para la adaptación al modelo ya entrenado de ML (predicción de fallo) - Sensórica IoT - Integración con SCADA - Integración con datos mantenimiento preventivo y correctivo. 1. Implantación de plataforma IoT 2. Implantación de sensórica IoT - Termografía y paneles solares - Sensores de suciedad en paneles solares - Intensidad de ramales en paneles solares. 2. Implantación de modelos de ML ya entrenado - Predicción de fallos - Detección de anomalías - Correlación de variables. 1. Reajustes de modelos de ML para optimizar el rendimiento según la entrada de nuevos datos de incidencias de planta. CONSULTORÍA IMPLANTACIÓN MEJORA CONTINUA de producción y mantenimiento de las plantas fotovoltaicas a una estructura estándar de datos que permita implantar algoritmos de analítica avanzada y Machine Learning ya entrenados. Para conseguir esto se ha definido un proceso de implantación estándar que establece tres fases. Una primera fase de Consultoría donde se analizan los datos, equipos y sensores existentes de las plantas fotovoltaicas; una segunda fase de Implantación de la plataforma IoT con modelos de Machine Learning ya entrenados (predicción de fallos, detección de anomalías y correlación de variables) y la adaptación de los datos de los equipos demantenimiento así como de la sensórica necesaria; y una tercera fase de Mejora Continua donde se reajustan los modelos de Machine Learning para optimizar el rendimiento de los resultados predictivos. En el proceso de estandarización de la estructura de datos a explotar por los modelos de Machine Learning se han definido los KPI’s principales para la monitorización de plantas fotovoltaicas (%PR, Eficiencia del sistema), las métricas necesarias para definir la sensorización de paneles fotovoltaicos (temperatura superficial de panel, grado de suciedad del panel e intensidad del ramal) así como termográfica e imágenes visibles que permiten categorizar y predecir problemas en los módulos fotovoltaicos, cuya incidencia afectaría directamente a la producción de la planta fotovoltaica. Respecto a la plataforma IoT-Edge planteada, el dispositivo Edge habilita comunicaciones con el sistema ScadaPLC de planta (punto recolector de datos de la estaciónmeteorológica, los inversores y los módulos seguidores) y con las redes LoRa-WAN necesarias para recolectar datos de los paneles fotovoltaicos (temperatura superficial, suciedad e intensidad). Así, actúa como el punto principal de acumulación y envío de datos de la planta fotovoltaica al cloud, que se encargará de la normalización de datos y aplicación de losmodelos deMachine Learning ya entrenados, sirviendo los datos vía API para ser consumidos por Figura 2. Arquitectura Software y hardware de plataforma de mantenimiento predictivo.
RkJQdWJsaXNoZXIy Njg1MjYx