Monitorización estadística de la deriva en piranómetros: Cómo garantizar la fiabilidad de los datos en las plantas solares
March 27, 2025
5 min

Monitorización estadística de la deriva en piranómetros: Cómo garantizar la fiabilidad de los datos en las plantas solares

Descubra cómo Delfos está transformando la operación y mantenimiento de la energía solar con métodos estadísticos avanzados para detectar la deriva del piranómetro, lo que garantiza datos confiables, un mantenimiento optimizado y un mejor rendimiento energético

Para que una planta solar fotovoltaica funcione de manera eficiente y confiable, la medición precisa de la radiación solar es crucial. Estos datos se utilizan para evaluar el rendimiento de los equipos e informar sobre las decisiones operativas y de mantenimiento (O&M). Sin embargo, los piranómetros (sensores que capturan la radiación solar) pueden desviarse naturalmente hasta un ± 2% por año. En condiciones ambientales adversas, esta desviación puede ser aún mayor y comprometer el análisis del rendimiento.

El equipo técnico de Delfos Energy desarrolló y probó dos metodologías estadísticas innovadoras para controlar automáticamente la deriva de los piranómetros. Los resultados de este estudio se publicaron en PVSEC DE LA UE (European Photovoltaic Solar Energy Conference and Exhibition) y puede ofrecer importantes beneficios a los profesionales de la operación y mantenimiento de la energía solar. Exploremos los hallazgos.

El desafío: detectar la deriva antes de que se convierta en un problema

Los piranómetros deben calibrarse periódicamente para garantizar la precisión. Sin embargo, factores como las altas temperaturas, la suciedad y el envejecimiento pueden provocar desviaciones prematuras de los datos. La detección temprana de estas desviaciones evita la pérdida de energía y optimiza los costos de mantenimiento.

Para abordar esto, Delfos desarrolló dos enfoques que comparan los sensores vecinos dentro de la misma estación meteorológica para «observarse» entre sí.

Metodología 1: Simple y directa con bandas de confianza

Este método se basa en una premisa lógica: sensores idénticos en las mismas condiciones deberían mostrar lecturas muy similares. Delfos calculó la diferencia diaria entre cada sensor y el promedio de dos sensores vecinos en cuatro plantas solares de Brasil utilizando 30 meses de datos históricos.

Durante el período «saludable» (inmediatamente después de la calibración), estas diferencias formaron un patrón estadístico. Se utilizó el método del rango intercuartil (IQR) para definir los límites superiores e inferiores aceptables. Siempre que la lectura de un sensor superaba estos límites, se generaba una alerta automática.

Resultado: Este enfoque funcionó bien, especialmente durante los períodos de alta irradiación, cuando los sensores experimentan más estrés térmico.

Limitación: Las alertas disminuyeron durante los períodos de baja irradiación, lo que permitió que las desviaciones sutiles pasaran desapercibidas.

Metodología 2: Enfoque refinado con segmentación y alertas graduales

Para superar la limitación anterior, se creó una segunda metodología más sofisticada. Segmenta los datos por niveles de irradiación (bajo, medio, alto, muy alto) e introduce dos niveles de alerta: «warning» y «alarm».

También se implementó una ventana de monitoreo móvil de 7 días para suavizar las fluctuaciones temporales y revelar tendencias.

Resultado: Este método generaba alertas constantes incluso durante las temporadas bajas de energía solar, lo que lo convertía en una herramienta más sólida para los equipos de O&M.

Imagen: Flujo de trabajo para los métodos I y II

Conclusión: beneficios prácticos

La implementación de estas metodologías en el monitoreo diario permite a los equipos de O&M recibir rápidamente una notificación de cualquier sensor que se comporte de manera anormal. Esto significa:

  • Inspecciones más centradas y eficientes
  • Reducción de los costos derivados del mantenimiento correctivo no planificado
  • Mayor confiabilidad de los datos de radiación solar para la evaluación del rendimiento y la garantía de ingresos

Delfos también planea explorar técnicas de aprendizaje automático (por ejemplo, regresión lineal, XGBoost) para mejorar aún más la consistencia de las alertas, especialmente teniendo en cuenta la estacionalidad de la radiación.

Acerca de los autores y la publicación

Estudio realizado por especialistas de Delfos Energy: Lucas T. Silva, Rodrigo S. Queiroz, Nathianne M. Andrade, y Danielle B. Cavalcante. Presentado en EU PVSEC 2024, uno de los principales eventos de energía solar del mundo.

Para acceder al estudio completo y al contenido enriquecido, complete el siguiente formulario:

Reserva una reunión

Conectemos y forjemos nuevas asociaciones

contacta con nosotros

Custom Renewable Energy Solutions

Póngase en contacto con nosotros hoy mismo para hablar sobre sus necesidades de energía renovable y encontrar la solución perfecta para su empresa.

Al hacer clic en «Aceptar todas las cookies», acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación del sitio, analizar el uso del sitio y ayudar en nuestras iniciativas de marketing. Consulte nuestra Política de privacidad para obtener más información.
Lorem ipsum
Lorem ipsum