Desarrollo de patrones fotográficos para la interpretación de covariables en el modelo PHM.

Abstract

Las necesidades energéticas del país y su continuo aumento de demanda, además de las posibilidades de inversión en energías renovables no convencionales y disminución de costos en adquisición de paneles solares, han impulsado el crecimiento de la energía solar en Chile, lo que ha llevado a replantear las estrategias de operación y mantenimiento, especialmente predictiva, utilizando las condiciones de operación en tiempo real y remota. El modelo PHM de mantenimiento predictivo se basa en que la tasa de falla de un activo es producto de la edad del equipo y los valores de las condiciones de operación o covariables en función del tiempo, por lo tanto, es necesario definir vectores de datos para las covariables en paneles fotovoltaicos correspondientes al ensuciamiento (Soiling) y HotSpots, a través del monitoreo continuo de fotografías. En el presente estudio se establece de forma simple y eficaz como interpretar Soiling y HotSpots que alimente de forma correcta al modelo PHM de mantenimiento, de acuerdo, a los datos del caso de estudio en el proyecto Fondef “Sistema Autónomo de Mantenimiento basado en condición (CBM) para plantas Fotovoltaicas en Climas Desérticos y de Alta Radiación”. Al analizar los datos recopilados se estableció una metodología basada en la irradiación de plano inclinado para las fotografías y potencia eléctrica. Utilizando un performance ratio para la potencia y los valores en distintos formatos para la composición del color en el espectro visible de las fotografías a paneles fotovoltaicos con ensuciamiento natural y limpios, se hallan clúster de datos que confirman las hipótesis que a mayor Soiling, menor eficiencia energética, mientras que el panel en presencia de HotSpots presenta valores anormales en el espectro infrarrojo. Los resultados obtenidos evidencian una relación lineal estable entre patrones simples en composición RGB dentro de una hora del día y un rango de 800-1000 [𝑊𝑚2] y rangos de valores de color para menores irradiancias. Utilizando el método de máximo verosimilitud se construye un modelo multivariable que relaciona el PR de potencia con variables de color, luminosidad y saturación. En el caso de HotSpots se establecen rangos en escala de grises para diferenciar un panel sano con uno anormal. En conclusión, es posible establecer vectores de datos que interpretan Soiling basado en que tan alejados se encuentran los colores del negro absoluto (limpio) en RGB, utilizando como base hipótesis de luminosidad y saturación en función del tiempo y un vector binario basado en los valores de escala de grises para los Hotspots. Finalmente se recomienda para mayor exactitud el uso de una base de datos anual y el uso de machine learning que pueda relacionar de mejor manera la irradiancia y los valores de color durante el día.