MLOps at the Edge: Predicción de la Radiación Solar en Plantas Fotovoltaicas

Introducción

En el mundo en rápida evolución de las energías renovables, optimizar el rendimiento de las plantas fotovoltaicas (FV) es un reto constante y un imperativo estratégico.

Uno de los factores más influyentes en esta ecuación es la radiación solar, el dato principal para calcular la producción de energía prevista. Una previsión precisa de la radiación solar cada hora permite alcanzar nuevos niveles de eficiencia operativa. 

¿Por qué predecir la radiación solar?

1. Previsión energética mejorada:
Las predicciones precisas de la radiación solar permiten estimar mejor la producción de energía, lo que permite a los operadores alinear la generación con la demanda de forma más precisa.

2. Mejora de la eficacia operativa:
Saber de antemano cuándo la radiación va a descender o alcanzar su punto máximo permite a los operarios programar las limpiezas o las tareas de mantenimiento durante los periodos de baja irradiancia, evitando tiempos de inactividad innecesarios.

3. Optimización del mantenimiento:
Los patrones en los datos de radiación solar pueden señalar posibles problemas de rendimiento con antelación, lo que lleva a un mantenimiento proactivo y a una mayor longevidad del sistema.

4. Mejor integración en la red:
La previsión de la radiación mejora la coordinación de la red, reduciendo los riesgos de sobreproducción y minimizando la dependencia de las reservas energéticas basadas en combustibles fósiles.

Entrada de datos: Alimentar el modelo

El modelo se entrena con datos meteorológicos procedentes de OpenMeteo. Las variables clave son:

• Temperatura (2m): Afecta a la eficiencia del panel.
  
  
• Temperatura aparente: Refleja el calor percibido, teniendo en cuenta la humedad.
  
  
• Cobertura nubosa (%): Una gran influencia en los niveles de radiación.
  
  
• Onda corta / Terrestre / Radiación directa: Varios tipos de radiación, incluida la irradiancia directa normal.
  
  
• Radiación Difusa: Capta los datos de la luz solar difusa.
  
  
• Irradiancia global inclinada: La variable objetivo del modelo, que representa la radiación sobre la superficie del panel FV.
  
  
• Estacionalidad: Ajusta los patrones anuales de radiación.
  
  

Estas características se seleccionan cuidadosamente para entrenar al modelo a predecir la_irradiancia_instante_global_inclinada (W/m²), un indicador directo de la capacidad de producción de energía.

Arquitectura del modelo: Visión general de la red neuronal

El modelo es una red neuronal profunda con:

• Capa de entrada: Recibe variables meteorológicas en tiempo real.
  
  
• 5 capas ocultas: Utiliza funciones de activación ReLU para aprender relaciones no lineales.
  
  
• Capa de salida: Devuelve predicciones horarias de radiación solar.
  
  

El entrenamiento se basa en datos históricos, optimizando la precisión en escenarios de despliegue del mundo real. El modelo se desarrolla utilizando el marco Tensorflow y se servirá en el Nodo Edge utilizando el motor TFX.

Despliegue Edge: IA en primera línea

Para garantizar una baja latencia y una alta fiabilidad, el modelo se despliega en un nodo de borde situado en la planta fotovoltaica. Este despliegue local es crucial para la capacidad de respuesta en tiempo real y la resistencia en escenarios desconectados.

Componentes de la pila Edge

Para apoyar el despliegue del predictor de irradiancia solar en el borde, un conjunto de componentes integrados trabaja en armonía para gestionar la ingestión, el procesamiento, el almacenamiento, la visualización y la comunicación de los datos.

Estos bloques forman la columna vertebral de la arquitectura de borde, garantizando que los datos se muevan de forma fluida y eficiente desde la fuente a la percepción, al tiempo que permiten operaciones robustas y de baja latencia incluso en escenarios sin conexión.

‍

• Conector OPC-UA: Obtiene continuamente datos meteorológicos actualizados de una estación meteorológica local.
  
  
• Broker MQTT: Actúa como columna vertebral de comunicación para todos los microservicios.
  
  
• Modelo de predicción de la irradiancia solar: Modelo Tensorflow AI que consume datos meteorológicos y publica previsiones de radiación.
  
  
• InfluxDB: Una base de datos de series temporales para almacenar todos los datos meteorológicos y de predicción.
  
  
• Ingesta MQTT-InfluxDB: Establece un puente entre MQTT e InfluxDB, garantizando un flujo de datos sin fisuras.
  
  
• Grafana: Visualiza los datos de irradiancia en directo e históricos para los operadores en un panel de control.
  
  
• Conector Azure: Transmite los datos de borde a Azure IoT Hub para su posterior análisis y almacenamiento.
  
  
• Gestor de Alertas: Notifica a los operadores las anomalías en tiempo real.
  
  
• Monitorización del ML: Realiza un seguimiento de la precisión y el rendimiento del modelo, activando el reentrenamiento cuando sea necesario.
  ‍

Flujo de trabajo de datos: Del sensor a la información

El sistema de predicción de la radiación solar funciona mediante una cadena coordinada de varias etapas que capta, procesa, almacena y analiza los datos meteorológicos casi en tiempo real. Este proceso garantiza que las predicciones sean oportunas y procesables, apoyando las decisiones cotidianas de los operadores de plantas fotovoltaicas. A continuación se muestra una visión general de cómo fluyen los datos a través del sistema, desde la adquisición hasta la visualización.

1. Recogida de datos: Datos meteorológicos en tiempo real obtenidos mediante el protocolo OPC-UA de la estación meteorológica local.
   
   
2. Predicción: El modelo de IA predice la radiación solar de la próxima hora.

3. Almacenamiento: Los resultados se archivan en InfluxDB.
   
   
4. Transmisión a la nube: Los datos se envían a Azure IoT Hub para análisis ampliados.

5. Alertas: El incumplimiento de los umbrales provoca notificaciones en tiempo real.
   
   
6. Supervisión del modelo: Garantiza la precisión continuada del modelo a lo largo del tiempo.

7. Visualización: Los cuadros de mando de Grafana proporcionan visiones generales intuitivas en tiempo real.

Flexibilidad y escalabilidad: Combinaciones infinitas

Uno de los puntos fuertes de esta arquitectura es su modularidad. 

Puedes aprovechar cualquier marco de aprendizaje automático que mejor se adapte a tus necesidades, incluidos: Modelos Edge Impulse, marcos compatibles con Seldon ML, XGBoost, ONNX, TensorFlow, PyTorch o Scikit-learn.

Del mismo modo, el sistema está diseñado para enviar predicciones y perspectivas a prácticamente cualquier solución en la nube, como: Google Cloud, AWS, Azure, Splunk, InfluxDB, MongoDB, Elastic o Kafka.

Esta flexibilidad permite a las organizaciones personalizar su infraestructura y herramientas sin quedar atrapadas en un único ecosistema, lo que hace que la solución sea muy adaptable a diversos entornos y casos de uso.

Resultados y beneficios

Este enfoque MLOps basado en los bordes capacita a los operadores de plantas fotovoltaicas para:

• Reacciona rápidamente a las condiciones meteorológicas cambiantes.
  
  
• Optimiza la producción de energía y la sincronización de la red.
  
  
• Mejorar la utilización de los activos y la planificación del mantenimiento.
  
  
• Escala sin esfuerzo aprovechando la integración en la nube.
  

Conclusión

‍

Este caso de uso ilustra la potencia de MLOps en el borde. Combinando IA, canalización de datos en tiempo real e integración en la nube, hemos construido un sistema robusto para la predicción horaria de la radiación solar en una planta fotovoltaica. El resultado es una predicción mejorada, una mayor flexibilidad operativa y un mayor rendimiento del sistema. 

‍

A medida que la IA industrial se desplaza hacia el borde, también debe hacerlo la infraestructura que la soporta. La Plataforma Barbara Edge AI ofrece las herramientas necesarias para hacer operativo el Aprendizaje Automático en entornos complejos y distribuidos, de forma segura, eficiente y a escala. Tanto si acabas de iniciar tu andadura en la IA como si estás pasando de la fase piloto a la de producción, Barbara hace realidad el Aprendizaje Automático Edge.

¿Quieres saber más?
Reserva una demostración o ponte en contacto, uno de nuestros expertos estará encantado de responder a todas tus preguntas.

‍

‍