Mejora y desarrollo de gemelos digitales de plantas fotovoltaicas de escala comercial e industrial

Abstract

Este proyecto tiene como objetivo mejorar el rendimiento y la gestión de plantas fotovoltaicas mediante el desarrollo de gemelos digitales, o Digital Twins, que son representaciones virtuales de las plantas reales. Estos modelos permiten simular y predecir el comportamiento de las plantas bajo diversas condiciones, facilitando la toma de decisiones y optimizando la operación de las plantas solares que administra Solarity, una empresa con un amplio portafolio de plantas fotovoltaicas. El enfoque principal del proyecto fue crear y validar estos gemelos digitales utilizando dos metodologías. Por un lado, se empleó la herramienta de simulación PVLIB, diseñada para estimar el rendimiento de sistemas fotovoltaicos con base en las configuraciones específicas de cada planta y las condiciones climáticas locales. Por otro lado, se utilizaron redes Transformer, un tipo avanzado de inteligencia artificial, para analizar grandes volúmenes de datos y capturar relaciones complejas, lo que permitió desarrollar un modelo capaz de predecir la energía generada por el sistema a partir de datos meteorológicos y características de las plantas. El objetivo es que estos modelos digitales puedan predecir con alta precisión el comportamiento de las plantas, comparando sus estimaciones con las obtenidas mediante HelioScope, un software reconocido en la industria por su capacidad de simular el rendimiento de plantas fotovoltaicas. Utilizando HelioScope como referencia, el proyecto se enfocó en reducir las discrepancias entre las predicciones del gemelo digital y los resultados reales, mejorando así la precisión del modelo basado en PVLIB. El análisis se centró en plantas fotovoltaicas comerciales e industriales que comenzaron a operar hasta antes del año 2024. Para las simulaciones y el entrenamiento de los modelos, se utilizaron datos meteorológicos típicos del año (TMY). Aunque inicialmente el proyecto se enfocó en predecir la energía generada por el sistema, los resultados muestran que estos modelos podrían expandirse en el futuro para predecir otros parámetros eléctricos, proporcionando así una visión más completa del rendimiento de las plantas. Entre los resultados más relevantes, se logró una precisión del 97.22 % en la predicción de la energía generada comparada con los resultados de HelioScope, lo que subraya el potencial de estos enfoques para mejorar la operación y gestión de plantas fotovoltaicas. Estos avances sientan las bases para futuras mejoras en los modelos, permitiendo no solo una gestión más eficiente, sino también una optimización continua del rendimiento de las plantas solares, lo que contribuirá a una operación más eficaz y sostenible a largo plazo.