Diagnóstico de Eficiencia en Plantas de Energía Solar
1 de diciembre de 2024Este proyecto aborda un desafío común en la industria IoT: una compañía de generación de energía solar fotovoltaica detectó comportamientos anómalos en dos de sus plantas. Sin embargo, la subcontrata de mantenimiento no lograba identificar la causa raíz de las ineficiencias.
El objetivo fue actuar antes de desplazar un costoso equipo de ingenieros. Como equipo de Data Science, se nos encargó analizar los datos de los sensores y medidores para realizar un diagnóstico preciso, identificar las causas de la ineficiencia y entregar un plan de acción para el equipo de mantenimiento.
1. Diseño del Proyecto
El primer paso fue entender el proceso de negocio: los paneles solares usan la irradiación para generar energía DC (corriente continua), que luego los inverters transforman en energía AC (corriente alterna) para su distribución. Con esto, definimos las palancas de negocio a investigar: la irradiación recibida, el estado de los paneles (generación DC), la eficiencia de los inverters (transformación AC) y el estado de los propios medidores.
A partir de estas palancas, definimos los KPIs clave: Irradiación, Temperatura, Potencia DC (kW generados) y Potencia AC (kW transformados).
2. Creación del Datamart Analítico
Recibimos datos de 2 plantas durante 34 días, con mediciones cada 15 minutos. Un punto crítico fue la granularidad: teníamos datos por *inverter*, pero solo un sensor de irradiación y temperatura por *planta*. Esto nos permitiría saber si un inverter fallaba, pero no qué panel específico lo causaba. Tras definir las preguntas semilla, realizamos la limpieza, consolidación y unión de todos los ficheros en una única tabla de análisis.
3. Preparación de Datos (Feature Engineering)
En esta fase, creamos métricas de negocio cruciales. La más importante fue el KPI de Eficiencia del Inverter (Potencia AC / Potencia DC), que nos permitiría medir la pérdida de energía en la transformación. También generamos variables para identificar los ciclos de día y noche o aislar momentos de generación anómala.
4. Análisis e Insights Clave
El análisis del datamart reveló un diagnóstico claro pero con resultados mixtos para cada planta:
- Problema de Calidad de Datos: La primera conclusión fue la existencia de graves problemas de fiabilidad. La Planta 1 reportaba una generación DC 10 veces superior a la Planta 2, pero con una eficiencia de solo el 10%, sugiriendo un dato escalado artificialmente.
- Fase 1 (Generación DC): La Planta 1 generaba DC correctamente. Sin embargo, la Planta 2 NO funcionaba bien; detectamos módulos que entregaban muy poca o ninguna energía a los inverters, incluso en horas de máxima irradiación.
- Fase 2 (Transformación AC): Aquí los roles se invirtieron. La Planta 1 NO funcionaba bien, con una eficiencia estructural de solo el 10% (perdiendo el 90% de la energía). En cambio, la Planta 2 transformaba la energía perfectamente, con eficiencias superiores al 97%.
5. Recomendaciones Accionables
Basados en los insights, el informe final se centró en tres recomendaciones directas para mantenimiento:
1. Prioridad 1: Revisar la captación de datos y la fiabilidad de los medidores en ambas plantas.
2. Planta 2: Realizar una revisión de mantenimiento a los módulos y paneles que mostraban momentos de generación DC cero.
3. Planta 1: Realizar una revisión de todos los inverters, ya que ahí se estaba perdiendo el 90% de la energía generada.
Presentación del Caso
