Análisis predictivo de fallos en equipos de plantas solares fotovoltaicas

Abstract

El crecimiento experimentado por la energía solar fotovoltaica a lo largo de los últimos años ha incrementado la necesidad de desarrollar estrategias de operación y mantenimiento que permitan garantizar la disponibilidad y el rendimiento de las instalaciones. En ese contexto, el mantenimiento predictivo se presenta como una herramienta de gran interés para anticipar incidencias y optimizar la gestión de las plantas. Este Trabajo de Fin de Máster tiene como propósito estudiar la aplicación de técnicas de análisis de datos para llevar a cabo este tipo de mantenimiento, centrándose especialmente en el análisis comparativo de equipos.

Para ello, se ha llevado a cabo la recopilación, almacenamiento y procesamiento de datos operativos reales procedentes del sistema de monitorización de una instalación fotovoltaica de aproximadamente 20 MW de potencia instalada. Tras la creación de una base de datos estructurada y la aplicación de diferentes procesos de limpieza y filtrado, se ha realizado un análisis exploratorio orientado a identificar equipos con comportamientos anómalos y estudiar la evolución de diferentes variables operativas.

Los resultados obtenidos han permitido identificar patrones de comportamiento asociados a caídas de rendimiento en diferentes equipos, observándose que la evolución temporal de determinadas variables proporciona información relevante para la detección temprana de posibles fallos técnicos. Asimismo, el Trabajo pone de manifiesto la utilidad de las técnicas de análisis de datos como apoyo a las actividades de mantenimiento predictivo y establece una base metodológica para el futuro desarrollo de herramientas más avanzadas orientadas a la monitorización inteligente y la optimización de la operación de plantas solares fotovoltaicas.

The growth experienced by photovoltaic solar energy in recent years has increased the need to develop operation and maintenance strategies capable of ensuring the availability and performance of solar power plants. In this context, predictive maintenance has emerged as a valuable tool for anticipating incidents and optimizing plant management. This Master’s Thesis aims to study the application of data analysis techniques to support predictive maintenance, with a particular focus on the comparative analysis of equipment performance.

To this end, real operational data were collected, stored, and processed from the monitoring system of a photovoltaic installation with an installed capacity of approximately 20 MW. Following the creation of a structured database and the application of several data cleaning and filtering procedures, an exploratory analysis was carried out to identify equipment exhibiting anomalous behavior and to study the evolution of different operational variables.

The results obtained made it possible to identify behavioral patterns associated with performance degradation in different pieces of equipment, showing that the temporal evolution of certain variables provides valuable information for the early detection of potential technical failures. Furthermore, this work highlights the usefulness of data analysis techniques as a support tool for predictive maintenance activities and establishes a methodological foundation for the future development of more advanced solutions aimed at intelligent monitoring and the optimization of photovoltaic plant operation.