Gemelo Digital en Parques Solares: enfoque mediante series temporales y aprendizaje profundo

Abstract

Cada día aumenta la presencia de la generación mediante fuentes renovables de energía, siendo la energía solar una de las de mayor crecimiento. El surgimiento de tecnologías como los Gemelos Digitales dentro del marco de la Internet de las Cosas y la Industria 4.0, permiten un desarrollo sustancial en los sistemas de diagnóstico. El objetivo de este trabajo es la obtención del Gemelo Digital de un Parque Solar Fotovoltaico, mediante la utilización de aprendizaje profundo. Se realiza un procesamiento de las series temporales, reduciendo su dimensionalidad, y seleccionando las métricas más relevantes para el estudio. A continuación, se lleva a cabo un análisis tanto en el dominio temporal como en la frecuencia. Posteriormente se propone un modelo basado en autoencoders con el fin de obtener el Gemelo Digital del sistema a estudiar, logrando un error de reconstrucción sobre 0.1. Este Gemelo Digital es utilizado para la detección de anomalías en el sistema alcanzando un recall de 0.92 y un AUC de 0.97. Por lo tanto, podemos decir que la utilización de técnicas de aprendizaje profundo para la obtención de gemelos digitales obtiene buenos resultados y una respuesta robusta del modelo obtenido.

Every day the presence of generation through renewable energy sources increases, with solar energy being one of the fastest growing. The emergence of technologies such as Digital Twins within the framework of the Internet of Things and Industry 4.0, allow a substantial development in diagnostic systems. The objective of this work is to obtain the Digital Twin of a Photovoltaic Solar Park, with a deep learning approach. The time series are processed, reducing their dimensionality, and selecting the most relevant metrics for the study. Next, an analysis is carried out on both the time domain and the frequency. Subsequently, a model based on autoencoders is proposed in order to obtain the Digital Twin of the system to be studied, achieving a reconstruction error of about 0.1. This Digital Twin is used for the detection of anomalies in the system reaching a recall of 0.92 and an AUC of 0.97. Therefore, we can say that the use of deep learning techniques to obtain digital twins obtains good results and a robust response from the model obtained.