Aprendizaje automático para el mantenimiento predictivo de grandes plantas fotovoltaicas

Científicos de Malasia y Tailandia han desarrollado un novedoso modelo de aprendizaje automático para predecir las necesidades de mantenimiento de plantas solares fotovoltaicas a gran escala. Según un artículo científico publicado recientemente, el modelo utiliza dos técnicas de aprendizaje automático -K-Means y memoria a largo y corto plazo (LSTM)- y tiene un error cuadrático medio (RMSE) de 0,7766. El objetivo de la herramienta es superar “la detección y clasificación de fallos” que suelen tener los sistemas operativos tradicionales, según afirma el documento.

“Los sistemas convencionales de operación y mantenimiento (O&M) de los sistemas solares fotovoltaicos no utilizan el aprendizaje automático para la detección y clasificación de fallos”, afirma el documento. “Esto plantea problemas a los operadores de las plantas, especialmente a los que gestionan plantas fotovoltaicas de gran escala, que suelen depender de métodos manuales para analizar grandes cantidades de datos eléctricos e inspeccionar numerosos paneles de cadenas. En consecuencia, el costo de O&M es elevado”.

K-Means es un algoritmo de segmentación de datos que agrupa puntos de datos similares en clusters. Los investigadores utilizan el algoritmo para agrupar la corriente eléctrica de los módulos de cadenas con factores ambientales como la irradiancia global y la temperatura del módulo. A continuación, se crea un punto central o medio para el clúster con el fin de representar el comportamiento típico.

A continuación entra en acción la técnica LSTM, entrenada a partir de datos históricos. El objetivo de la técnica es detectar anomalías en la corriente eléctrica prevista de los módulos de cadenas, lo que alertaría a los operadores de las necesidades de mantenimiento.

“Las LSTM pueden manejar datos secuenciales de longitud variable utilizando un mecanismo de puerta para decidir qué información es importante mantener y cuál descartar en cada paso temporal, y así hacer predicciones basadas en las tendencias y patrones pasados de la secuencia de entrada”, explica el artículo. “Las LSTM pueden hacer esto utilizando un tipo especial de célula de memoria que puede almacenar información durante largos periodos de tiempo, así como puertas que controlan el flujo de información que entra y sale de la célula”.

Los datos para el entrenamiento, así como el análisis de precisión del método, se basan en información procedente de una planta solar fotovoltaica a gran escala situada en el centro de Malasia. Como casos de prueba se utilizaron una llave en mano y un subinversor, que monitorizaron 420 módulos de cadenas y un total de 8.400 módulos fotovoltaicos. Comparado con los datos recogidos, el modelo tiene un error cuadrático medio (RMSE) de 0,7766.

A continuación, el error relativo se compara con la cifra establecida por el modelo de referencia basado en redes neuronales artificiales (RNA). “Las LSTM y las RNA se comparan a menudo porque ambas pertenecen a las redes neuronales y se utilizan habitualmente en diversas tareas de procesamiento del lenguaje natural, visión por ordenador y reconocimiento del habla”, afirma el artículo. Descubrieron que la LSTM es más precisa, con un error relativo medio de la LSTM del 4,316% y un error relativo de la RNA del 4,363%.

El algoritmo se describe en el estudio “Anomaly detection using K-Means and long-short term memory for predictive maintenance of large-scale solar (LSS) photovoltaic plant” (Detección de anomalías mediante K-Means y memoria a largo-corto plazo para el mantenimiento predictivo de plantas fotovoltaicas a gran escala [LSS]), publicado recientemente en Energy Reports. El grupo de investigación estaba formado por científicos de la Universidad Tecnológica de Malasia y la Universidad Chiang Mai Rajabhat.