Mantenimiento predictivo en un entorno virtual colaborativo

Metaverso para instalaciones fotovoltaicas

Smartech Cluster05/05/2023

El proyecto ‘Plataforma de mantenimiento predictivo para monitorización virtual en el metaverso de instalaciones fotovoltaicas’, liderado por Smartech Cluster y financiado mediante la línea de ayudas de apoyo a las Agrupaciones Empresariales Innovadoras del Ministerio de Industria, Comercio y Turismo; cuenta con la participación de Solartys, Innova IT, Aumenta Solutions, Verne Technology Group, e ISFOC.

Este proyecto para instalaciones fotovoltaicas, dividido en dos fases, ha trabajado en la creación de una solución de mantenimiento predictivo, basada en técnicas de Inteligencia Artificial y visualización de datos, en un entorno virtual colaborativo en forma de centro de control.

Ante la necesidad en el sector fotovoltaico de maximizar el rendimiento de sus instalaciones y garantizar la mayor rentabilidad, la plataforma permite reducir y optimizar el coste por acción de mantenimiento óptima (fallo previsto en un tiempo definido), minimizando los costes por fallo no planificado (mantenimiento correctivo), así como los costes derivados por un sobre mantenimiento (mantenimiento preventivo).

La solución dispone de una alternativa virtual a las salas de control físicas que facilitará la toma de decisiones de manera efectiva con sus múltiples funcionalidades.

Por un lado, mediante la visualización de datos en 3D, mejora las capacidades de visualización, comprensión y síntesis y, por otro lado, permite la generación de entornos colaborativos de trabajo donde las limitaciones de espacio, equipo y capacidad desaparecen.

Esto optimiza la capacidad de formación, entrenamiento y toma de decisiones de forma colaborativa y permite realizar análisis y simulaciones de escenarios y/o eventos para una óptima gestión de cualquier situación de crisis.

En esta sala de control virtual, construida enteramente en 3D y con distintas pantallas, pueden acceder múltiples usuarios de manera simultánea utilizando dispositivos VR y un set de credenciales de la plataforma.

En las pantallas se mostrarán distintos aspectos de la infraestructura que se esté monitorizando:

Pantalla de Power Grid: como en muchos otros centros de control energéticos, se muestra un diagrama de abstracción de la red de infraestructura con un código de color para representar el estado de cada elemento
Pantalla de visualización y certificación de incidencias: se muestran las distintas incidencias que pueda generar la infraestructura durante su funcionamiento, así como su estado de resolución.
Pantalla de visualización y certificación de sensores: se muestran los distintos sensores listados mediante su código de identificación y su valor actual.

Paralelamente, en esta primera fase del proyecto, se ha desarrollado una estrategia de implementación de mantenimiento predictivo con un estudio del estado actual del sector fotovoltaico; el estado de la sensórica IoT y las plataformas; y se ha validado un modelo de Machine Learning utilizando técnicas de Análisis de Supervivencia y analizando datos reales de producción, mantenimiento y proceso en base a una instalación fotovoltaica.

La plataforma IoT y sensórica permite monitorizar, supervisar y controlar los datos, eliminando así la distancia existente entre los sensores, dispositivos y las redes de datos, y acercando la información de campo a los equipos técnicos.

Para ello, en este piloto se ha planteado una red IoT configurada en tres capas diferentes: sensórica IoT, dispositivo IoT Edge y Cloud.

Por otro lado, en cuanto a la implementación de Machine Learning en la solución, se ha desarrollado un Modelo de Análisis de Supervivencia que permite predecir la probabilidad que existe de error en los tres principales componentes de la instalación fotovoltaica: placas, inversores y baterías. En la segunda fase del proyecto se hará el test y la optimización con datos reales de la instalación.

Resultados obtenidos en la primera fase del proyecto

La necesidad existente de implantar el mantenimiento predictivo en instalaciones fotovoltaicas de una manera eficiente para minimizar fallos y optimizar el rendimiento en la producción, pasa por adaptar los datos existentes de producción y mantenimiento de las plantas fotovoltaicas a una estructura estándar de datos que permita implantar algoritmos de analítica avanzada y Machine Learning ya entrenados.

Para conseguir esto se ha definido un proceso de implantación estándar que establece tres fases. Una primera fase de Consultoría donde se analizan los datos, equipos y sensores existentes de las plantas fotovoltaicas; una segunda fase de Implantación de la plataforma IoT con modelos de Machine Learning ya entrenados (predicción de fallos, detección de anomalías y correlación de variables) y la adaptación de los datos de los equipos de mantenimiento así como de la sensórica necesaria; y una tercera fase de Mejora Continua donde se reajustan los modelos de Machine Learning para optimizar el rendimiento de los resultados predictivos.

Figura 1. Proceso de implantación del mantenimiento predictivo.

En el proceso de estandarización de la estructura de datos a explotar por los modelos de Machine Learning se han definido los KPI’s principales para la monitorización de plantas fotovoltaicas (%PR, Eficiencia del sistema), las métricas necesarias para definir la sensorización de paneles fotovoltaicos (temperatura superficial de panel, grado de suciedad del panel e intensidad del ramal) así como termográfica e imágenes visibles que permiten categorizar y predecir problemas en los módulos fotovoltaicos, cuya incidencia afectaría directamente a la producción de la planta fotovoltaica.

Respecto a la plataforma IoT-Edge planteada, el dispositivo Edge habilita comunicaciones con el sistema Scada-PLC de planta (punto recolector de datos de la estación meteorológica, los inversores y los módulos seguidores) y con las redes LoRa-WAN necesarias para recolectar datos de los paneles fotovoltaicos (temperatura superficial, suciedad e intensidad).

Así, actúa como el punto principal de acumulación y envío de datos de la planta fotovoltaica al cloud, que se encargará de la normalización de datos y aplicación de los modelos de Machine Learning ya entrenados, sirviendo los datos vía API para ser consumidos por sistemas de análisis y monitorización de datos como cuadros de mando de BI operacional y el Metaverso.

Figura 2. Arquitectura Software y hardware de plataforma de mantenimiento predictivo.

Tal y como se ha comentado anteriormente, la plataforma de visualización en el Metaverso constará de tres escenarios:

1. Un escenario de monitorización de planta que permitirá compartir la visualización de los datos, alarmas, alertas y gráficos de funcionamiento de la planta de forma remota por 5 usuarios concurrentes. En este se visualizarán: gráficos de producción, KPI’s, métricas y variables meteorológicas, pantallas de alertas y alarmas de planta, gráficos y tablas de predicción de fallos, de anomalías de KPI’s y métricas para el control avanzado del rendimiento de la planta, y gráficos de correlación de variables para la detección y visualización de patrones.

Figura 3. Escenario 1. Área de control de monitorización.

2. Visualización inmersiva de la planta en 360º en tiempo real: mediante la implantación de cámaras 360 y el envío por streaming de la señal de video equirectangular se podrá tener visión 360º de la planta en tiempo real.

Figura 4. Escenario 2.Visualización 360º de la planta.

3. Escenario de visualización de termografía: En este escenario virtual se podrá visualizar el histórico de la termografía de los diferentes módulos de la planta mediante la presentación en un escenario 360 de las imágenes termográficas.

Figura 5. Escenario 3. Visualización de termografía.

En la segunda fase del proyecto se desarrollará una prueba piloto de la plataforma de Mantenimiento Predictivo en el Metaverso que abarcará los equipos de la planta 1 con 9 seguidores fotovoltaicos (tracker + panel fotovoltaico) y un inversor.

Esta prueba piloto se realizará en la instalación fotovoltaica de ISFOC (empresa adscrita a la Consejería de Desarrollo Sostenible de la Junta de Comunidades de Castilla-La Mancha).

Figura 6. Layout de la planta de ISFOC para la prueba piloto.

En definitiva, el objetivo es crear, a lo largo de las dos fases que componen el proyecto, una herramienta que tenga cabida en el mundo real, y cuyo uso se pueda democratizar y producir a medio plazo.

Esta, permitirá a las organizaciones productoras de energía solar fotovoltaica adelantarse a los fallos que puedan acontecer, reducir costes de mantenimiento, y mantener la instalación fotovoltaica operando a su máxima capacidad mediante un sistema predictivo en un entorno virtual.

Además, también se plantea que la plataforma incorpore en un futuro interacciones para iniciar una asistencia remota o contacto directo con distintas entidades (equipos de mantenimiento, emergencias, etc.) y así acortar tiempos de solución de incidencias y optimizar los flujos de comunicación internos de la planta.