Las alarmas de producción incorrecta le notifican si hay una desviación entre los valores objetivo y medidos, ya sea a nivel del sistema o del inversor. Existen varios métodos para estimar la producción teórica (“simulación”) del sistema en modo de funcionamiento normal:
- Comparación automática de inversores
- Modelo de simulación física.
- Simulación basada en aprendizaje automático
Si la desviación supera el valor umbral que ha definido como “Normal”, se activa una alarma. Si la gravedad de la alarma es "Alta" o "Crítica" depende de los umbrales que configure
El valor objetivo y la comparación con el valor de medición se calculan en intervalos tanto para todo el sistema como para cada inversor cada vez que se actualizan los datos. Puede definir tres gravedades de alarma diferentes según el grado de desviación.
Si la desviación cambia con el tiempo, la gravedad de la alarma se actualiza automáticamente. Una herramienta ficticia en la interfaz de usuario de VCOM puede ayudarle a probar el efecto de diferentes valores en la alarma.
Métodos de simulación
Los siguientes métodos se utilizan para estimar la producción teórica.
Método 1: comparación automática de inversores
En este método, la fuente del valor objetivo se determina comparando los inversores entre sí. La configuración de entrada respectiva se considera automáticamente. Para ello, todos los inversores se agrupan en función de sus ratios de entrada. Luego, se establece el inversor de mejor rendimiento (el de mayor potencia normalizada) como referencia para el resto de inversores de ese grupo. En el siguiente paso, la potencia normalizada se considera un valor objetivo para los inversores que se comparan.
Caso de uso 1: configuraciones coincidentes
En este escenario, VCOM Cloud formaría dos grupos:
Grupo 1: Inversor 1 e Inversor 2 (relación 1:1 de 95°/20° y 275°/20°)
Grupo 2: Inversor 3 e Inversor 4 (relación 1:1 de 95°/30° y 275°/30°)
Caso de uso 2: múltiples configuraciones que no coinciden con otra configuración
En este escenario, la Nube VCOM formaría tres grupos
Grupo 1: Inversor 1 e Inversor 2 (relación 1:1 de 95°/20° y 275°/20°)
Grupo 2: Inversor 3 e Inversor 4 (relación 1:1 de 95°/30° y 275°/30°)
Grupo 3: Inversor 5 e Inversor 6 (resto)
Caso de uso 3: configuración única que no coincide con ninguna otra configuración
En este escenario, la nube VCOM formaría un solo grupo que contendría a todos los inversores. De lo contrario, no habría ninguna referencia para el Inversor 3.
Método 2: modelo de simulación física
Para recopilar los datos necesarios de la configuración del sistema (la orientación y las inclinaciones del sistema), primero se calcula la potencia específica (módulo e inversor) para cada subsistema de orientación. Luego, la simulación se genera en función de los valores de irradiancia para cada subsistema de orientación. Cada subsistema se simula con la irradiación del sensor que más se le asemeja. La similitud entre subsistemas y sensores se determina calculando la correlación entre las mediciones de potencia del subsistema y el valor de radiación del sensor.
- Se recupera la configuración del sistema y se define el subsistema de orientación.
- Los sensores instalados en la instalación fotovoltaica se asignan al correspondiente subsistema de orientación. Se tienen en cuenta los valores de temperatura.
- Se calcula la potencia específica para cada subsistema de orientación.
- Los valores de los inversores y la potencia instalada de los módulos se utilizan para calcular el rendimiento específico de cada subsistema de orientación.
- El valor objetivo por intervalo se calcula a nivel del sistema como un valor específico
- El valor objetivo por intervalo se calcula a nivel del sistema como valor absoluto
Método 3: aprendizaje automático
Los algoritmos de aprendizaje automático analizan los datos de medición históricos del sistema fotovoltaico y optimizan la simulación física. Esto reduce la desviación entre la potencia medida y la potencia objetivo para lograr el valor objetivo más preciso. El método de simulación de aprendizaje automático puede ayudarle a lograr los resultados más precisos. Para aplicar el aprendizaje automático, el sistema debe cumplir los siguientes criterios:
- El 70 % o más de los puntos de datos diurnos son válidos.
- Están disponibles al menos dos semanas de datos de entrenamiento válidos dentro de los últimos 30 días.
Si faltan datos de entrenamiento válidos, la simulación optimizada para aprendizaje automático no estará disponible y se mostrará un mensaje en la página de configuración de la simulación.
Este artículo ha sido traducido automáticamente.