Sistema inteligente de clasificación de fallas en plantas de energía solar mediante el análisis de curvas de generación

• Autores: Mejia Lara, Jennifer Vanessa, Arias Velasquez, Ricardo Manuel
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/20685
• Enlace del recurso: https://hdl.handle.net/20.500.12773/20685
• Nivel de acceso: acceso abierto
• Materia: Clasificación; energía; falla; fotovoltaica; solar.; https://purl.org/pe-repo/ocde/ford#2.11.02

Esta tesis se centra en el desarrollo de un sistema de inteligencia artificial (IA) para la detección y clasificación de fallas en plantas fotovoltaicas, empleando la teoría general de sistemas y el modelo CESM (Componente-Entorno-Sistema-Misión). A través de una revisión sistemática basada en las metodologías PICOC y PRISMA-A, se analizaron 5356 libros y revisiones sistemáticas junto con 10421 artículos de investigación, identificando los algoritmos y técnicas de IA y aprendizaje automático (ML) más efectivos para la clasificación de fallas. Entre los algoritmos evaluados, se destacan Árboles Aleatorios, XGB y redes neuronales, los cuales presentan una precisión superior al 90% en precisión, sensibilidad (recall) y baja tasa de falsos positivos. Para la implementación de esta investigación en una planta de 144,5 MW en Perú, se utilizó un algoritmo ensamblado optimizado mediante Grid Search, combinando Árboles Aleatorios, XGB, Impulso ligero de gradiente extremo y CART, consolidando sus resultados con regresión logística (LoR). Este enfoque alcanzó una eficiencia del 98,91%, superando significativamente el umbral de precisión objetivo del 92%. Los datos recopilados permitieron realizar una evaluación exhaustiva del desempeño del modelo, logrando una precisión, sensibilidad y F1-score promedio de 99% en todas las métricas (macro y weighted average). Resultados y Análisis de Indicadores de Rendimiento: • Nubes: El modelo logró una precisión del 94% y una sensibilidad del 98%, con un F1-score del 98%, asegurando la identificación precisa de eventos de nubosidad. • Eventos Externos: Se alcanzó una precisión y sensibilidad del 100%, con un F1-score del 99%, reflejando una clasificación perfecta de factores externos. • Limitación de Operación: Con una precisión del 100% y una sensibilidad del 99%, el modelo demostró un alto rendimiento en la identificación de limitaciones operativas. • Pérdidas Energéticas: Una precisión del 100% y sensibilidad del 99% aseguran una detección eficaz de pérdidas de energía. • Sombras: Precisión y sensibilidad del 100% con un F1-score del 99%, lo cual es esencial para prevenir interrupciones operativas. • Acumulación de Polvo (Soiling): Logró una precisión del 100% y una sensibilidad del 99%, optimizando la respuesta ante esta condición. El impacto económico y operativo del sistema de IA desarrollado contribuyó a la optimización del mantenimiento de la planta, reduciendo los costos de operación y mantenimiento (OPEX) de 1,1 millones a 0,6 millones de dólares anuales, y generando un valor presente neto ajustado de 11,53 millones de dólares en un ciclo de vida de 30 años. Esta mejora en la precisión de detección de fallas y en el mantenimiento basado en condición también permitió un ahorro anual estimado de 345 500 USD en comparación con el mantenimiento tradicional basado en confiabilidad, optimizando así la disponibilidad de los activos y prolongando su vida útil, en apoyo a la sostenibilidad del sector.