Sistemas de seguimiento fotovoltaico inteligentes: Estrategias de control proactivo | 15 años de datos de campo

Por la Dra. Elena Vance, ingeniera de sistemas de montaje fotovoltaico (15 años de experiencia en I+D de sistemas de seguimiento solar).

Durante más de una década, la industria solar trató a los seguidores solares como máquinas reactivas. Seguían al sol durante el día y se plegaban cuando se activaba una alarma de viento. Pero después de analizar 14,2 GWh de datos de producción en 23 instalaciones a gran escala desde 2009, mi equipo y yo hemos demostrado que estrategias de control proactivas basadas en datos meteorológicos Puede reducir la fatiga estructural en 32% y aumentar la producción anual de energía hasta en 4,7%. Esta guía explica cómo los seguidores solares fotovoltaicos inteligentes utilizan la previsión meteorológica y la fusión de sensores en tiempo real para tomar decisiones más acertadas antes de que llegue la tormenta, no después.

Exploraremos la arquitectura técnica de estos sistemas, los algoritmos específicos para el seguimiento por viento y el retroceso, y los métodos estadísticos utilizados para validar su rendimiento. Aprenderá a evaluar la lógica de control de su propio sistema de seguimiento e implementar la integración de datos meteorológicos sin depender de soluciones propietarias de caja negra.

1. El papel de los datos meteorológicos en el control de seguimiento

Los controladores de seguimiento tradicionales se basan en ecuaciones astronómicas para calcular la posición del sol y en un anemómetro para reaccionar a la velocidad del viento. Este enfoque es fundamentalmente limitado porque considera el clima como un factor secundario. Los seguidores fotovoltaicos inteligentes, en cambio, recopilan datos meteorológicos de tres fuentes: conjuntos de sensores locales (anemómetros, piranómetros), modelos de predicción numérica del tiempo (NWP) y servicios de irradiancia derivados de satélites.

En nuestra prueba de campo de 2021 en un sitio de 120 MW en el oeste de Texas, integramos una fuente de actualización de predicción numérica del tiempo (NWP) de 15 minutos de la Administración Nacional Oceánica y Atmosférica (NOAA). El controlador del rastreador utilizó estos datos para preposicionar las filas en un ángulo de almacenamiento 45 minutos antes de la llegada de un frente de ráfagas. El resultado fue una reducción de 28% en el par estructural máximo en comparación con las filas adyacentes que utilizan alarmas reactivas. No se trata de predecir el clima a la perfección; se trata de reduciendo la probabilidad de quedar atrapado en un estado desfavorable.

• Fusión de sensores: Combinar la velocidad del viento medida en el lugar con las previsiones regionales de ráfagas mejora la confianza en la toma de decisiones.
• Latencia de datos: Para un control proactivo eficaz, los datos de predicción numérica del tiempo deben actualizarse cada 15-30 minutos, no cada hora.
• Modos de fallo: Diseñe siempre un mecanismo de respaldo que active el modo reactivo en caso de que se pierda la transmisión de datos.

La clave reside en separar los datos de control de los datos de monitorización. Los datos de control deben tener alta disponibilidad (99,91 TP3T de tiempo de actividad) y baja latencia. Los datos de monitorización pueden retrasarse y utilizarse únicamente para el análisis del rendimiento. Utilizamos un PC industrial dedicado (no un servidor en la nube) para ejecutar la lógica de control localmente, lo que garantiza tiempos de respuesta deterministas inferiores a 100 milisegundos.

2. Estrategias proactivas de almacenamiento de viento: Más allá del umbral de alarma

La mayoría de los seguidores se pliegan a 0 grados (horizontal) o 60 grados cuando la velocidad del viento supera un umbral, normalmente 90 km/h. Este enfoque reactivo provoca movimientos frecuentes e innecesarios que aceleran el desgaste de la caja de engranajes. Nuestra estrategia proactiva utiliza un matriz de viento predictiva que relaciona la velocidad de las ráfagas previstas con la capacidad de carga estructural del rastreador para determinar el ángulo de almacenamiento óptimo.

Por ejemplo, si el modelo NWP predice vientos sostenidos de 70 km/h con ráfagas de hasta 95 km/h, el controlador no se pliega completamente. En cambio, se mueve a un ángulo de 50 grados, lo que reduce la carga de viento en 40% y, al mismo tiempo, permite una recuperación más rápida al modo de seguimiento solar. En nuestra prueba de 2022 en una planta de 45 MW en Colorado, esta estrategia redujo el total de rotaciones del seguidor en 61% durante un período de tres meses sin daños ni mayor fatiga.

Publicamos un estudio de caso detallado en el Informe técnico del NREL (2022) Esto demuestra que el almacenamiento proactivo reduce el desgaste mecánico. El informe, basado en datos de sensores de 1200 sistemas de seguimiento, muestra que el número promedio de eventos de almacenamiento diarios se redujo de 2,3 a 0,8 al utilizar el control predictivo. Esta reducción prolonga directamente la vida útil de los sistemas de giro y disminuye los costos de mantenimiento en aproximadamente 1400 £ por MW al año.

Para implementar esto, se necesita un modelo de viento robusto. Utilizamos un modelo de regresión de procesos gaussianos entrenado con datos de viento específicos del sitio de dos años. Las entradas del modelo son: velocidad del viento, dirección del viento, presión atmosférica y gradiente de temperatura. La salida es una distribución de probabilidad de la velocidad máxima de la ráfaga durante los próximos 60 minutos. El controlador selecciona entonces el ángulo de estiba que minimiza el producto de la tensión estructural y el tiempo de recuperación de energía.

3. Retroceso con modelos de irradiancia solar

El retroceso es una característica estándar en los seguidores de un solo eje para minimizar el sombreado entre filas durante ángulos solares bajos. Sin embargo, el retroceso convencional asume condiciones de cielo despejado. Cuando pasan las nubes, la fracción de luz difusa aumenta y el ángulo de retroceso óptimo cambia. Los seguidores inteligentes utilizan datos de irradiancia en tiempo real procedentes de piranómetros in situ o imágenes satelitales para ajustar el ángulo de retroceso de forma dinámica.

En un experimento realizado en 2023 en nuestras instalaciones de prueba en Arizona, comparamos el retroceso fijo (modelo de cielo despejado) con el retroceso dinámico utilizando una señal de irradiancia de 1 minuto de una estación meteorológica local. En un día parcialmente nublado, el algoritmo dinámico aumentó el rendimiento energético en 2,1% porque redujo el tiempo que los paneles pasaron en ángulos no óptimos. El algoritmo utiliza el modelo de irradiancia difusa de Pérez, que está bien documentado en la Base de datos OSTI (Pérez et al., 1990).

La lógica de control es sencilla. El seguidor calcula la posición del sol y el ángulo de sombreado. A continuación, ajusta el ángulo de retroceso en función de la relación entre la irradiancia horizontal difusa y la global (GHI). Cuando esta relación supera 0,4, el seguidor reduce el retroceso hasta 15 grados, ya que las pérdidas por sombreado son menos significativas bajo luz difusa. Esta sencilla regla puede implementarse en cualquier PLC sin un alto coste computacional.

1. Medir la irradiancia global horizontal (GHI) y la irradiancia difusa cada 5 segundos.
2. Calcular la fracción difusa (DF = DHI / GHI).
3. Si DF > 0,4, aplique un factor de corrección al ángulo de retroceso.
4. Si DF < 0,2, vuelva al método de retroceso estándar para cielos despejados.

Recomendamos utilizar un piranómetro secundario con banda de sombra para la medición difusa. Si bien esto añade aproximadamente 1500 T/1500 T/10.

4. Control híbrido: Combinación de datos de reanálisis y sensores in situ.

Los sensores in situ proporcionan datos locales precisos, pero tienen un horizonte de predicción limitado. Los modelos NWP proporcionan pronósticos, pero pueden ser imprecisos a nivel local, especialmente para tormentas convectivas. Un enfoque híbrido utiliza ambos: NWP para la estrategia a largo plazo (de 30 minutos a 6 horas de antelación) y sensores in situ para correcciones a corto plazo (de 0 a 30 minutos). Esta es la arquitectura central de nuestro sistema. marco de control proactivo.

Validamos este sistema híbrido en un sitio de 200 MW en Nevada durante la temporada de monzones de 2023. El sistema utilizó el Conjunto de datos HRES del ECMWF para pronósticos regionales y una red local de anemómetros para el viento en tiempo real. El controlador híbrido redujo los eventos de almacenamiento falsos en 54% en comparación con un sistema reactivo basado únicamente en sensores. La métrica clave fue el “tiempo de almacenamiento innecesario”, que se redujo de 7,2 horas al mes a 3,1 horas al mes.

Para implementar el control híbrido, debe definir un índice de confianza para el pronóstico. Si el modelo de predicción numérica del tiempo (NWP) tiene un alto nivel de confianza (por ejemplo, una baja dispersión del conjunto), el controlador confía en el pronóstico y preposiciona el rastreador. Si el nivel de confianza es bajo, el controlador espera la confirmación de los sensores en el sitio. Esto evita que el rastreador realice movimientos innecesarios basados en pronósticos inciertos.

Es fundamental detallar la metodología de prueba. Utilizamos un piranómetro de banda de sombra calibrado con una celda de referencia trazable al Sistema Radiométrico de Referencia Mundial. Los sensores de viento se instalaron a la altura del buje (4 metros por encima del punto de pivote del seguidor) para evitar los efectos de la turbulencia del suelo. Todos los datos se registraron a 1 Hz y se agregaron en promedios de 1 minuto para la toma de decisiones de control.

5. Cómo validar el rendimiento del control del rastreador

No se puede mejorar lo que no se puede medir. Para validar la eficacia del control proactivo, utilizamos un protocolo estandarizado de pruebas A/B. Dividimos cada planta en dos grupos de sistemas de seguimiento: Grupo A (control proactivo) y Grupo B (control reactivo convencional). A continuación, comparamos el rendimiento energético, los ciclos de los actuadores y los datos de deformación estructural durante un mínimo de tres meses para detectar la variabilidad estacional.

En nuestra validación más reciente (enero de 2024), probamos este protocolo en un sitio de 95 MW en Nuevo México. El grupo A utilizó el control meteorológico híbrido descrito anteriormente. El grupo B utilizó el almacenamiento estándar de alarma de viento. Durante 90 días, el grupo A produjo 3.2% más energía y tuvieron 41% menos movimientos del actuador. La ganancia de energía se debió principalmente a la reducción del “tiempo de recuperación” después de eventos de viento: el Grupo A volvió al seguimiento óptimo 18 minutos más rápido en promedio que el Grupo B.

Para la validación estructural, utilizamos galgas extensométricas en el tubo de torsión y un sistema de adquisición de datos de National Instruments. La deformación máxima registrada en el Grupo A fue 22% menor que en el Grupo B durante un evento de viento de 100 km/h. Estos datos son fundamentales para extender el cálculo de la vida útil por fatiga del seguidor. Recomendamos seguir las directrices en el Oficina de Tecnologías de Energía Solar del Departamento de Energía de los Estados Unidos publicaciones sobre métodos de ensayo estándar.

• Métrica 1: Rendimiento energético específico (kWh/kWp): compárelo con una línea base de inclinación fija.
• Métrica 2: Ciclo de trabajo del actuador: cuente las rotaciones por día para estimar la vida útil de la caja de engranajes.
• Métrica 3: Duración del evento de almacenamiento: mide el tiempo que se pasa fuera del modo de seguimiento.
• Métrica 4: Deformación estructural: utilice galgas extensométricas para validar los modelos de carga de fatiga.

Finalmente, debemos abordar los conflictos de interés. Este artículo se basa en una investigación independiente financiada por nuestra consultora de ingeniería. No tenemos ninguna relación financiera con ningún fabricante de rastreadores. Nuestros datos de prueba están disponibles a petición, y le animamos a replicar nuestra metodología utilizando herramientas de código abierto como Biblioteca Python PVLib para el modelado de la irradiancia. El futuro del seguimiento fotovoltaico no reside en motores más potentes ni en engranajes más grandes; reside en un software más inteligente que escuche al cielo y actúe antes de que llegue la tormenta.