Marco de control de calidad para sensores meteorológicos en plantas solares PV

En las plantas solares fotovoltaicas (PV) a escala industrial, la evaluación precisa del rendimiento energético a largo plazo depende de la disponibilidad continua e ininterrumpida de datos meteorológicos de alta calidad. Los fallos de instrumentación, la deriva de los sensores y las anomalías transitorias de medición, si no se detectan, se propagan directamente a los cálculos del índice de rendimiento (PR), a las estimaciones de pérdidas de irradiancia y a las garantías contractuales de producción de energía, e introducen errores sistemáticos que son difíciles de aislar y corregir a posteriori.

Para mitigar estos riesgos, los proyectos fotovoltaicos modernos a escala industrial han adoptado ampliamente la práctica de desplegar pares de sensores redundantes en cada estación de monitorización meteorológica (WMS). Esta arquitectura cumple los requisitos de redundancia de IEC 61724-1:2021 y, al mismo tiempo, permite al equipo de operación y mantenimiento (OCM) realizar una validación cruzada continua de las salidas de los sensores, garantizando así la integridad sostenida de la medición de la WMS durante la vida útil del proyecto.

Sin embargo, en el campo se ha observado un problema operativo recurrente: los equipos de OCM y de ingeniería de proyecto en sitio aplican con frecuencia métodos de comparación inadecuados al evaluar los datos de los pares de sensores redundantes. La mala práctica más común es la comparación directa, minuto a minuto, de las lecturas instantáneas de dos sensores colocalizados. Con este enfoque, los fenómenos atmosféricos legítimos, como los transitorios de nubes, los gradientes térmicos y los eventos de viento turbulento, producen grandes desviaciones instantáneas entre los dos canales, lo que hace que se señale erróneamente a los sensores como defectuosos. Este diagnóstico erróneo da lugar a intervenciones de campo innecesarias, sustituciones injustificadas de sensores y, de forma crítica, a una pérdida de confianza en una instrumentación que en realidad funciona dentro de las especificaciones.

Este documento presenta una metodología estadísticamente rigurosa y validada en la práctica para el control de calidad (QC) de pares de sensores redundantes de WMS en plantas solares fotovoltaicas a escala industrial. El marco propuesto, implementado y verificado en una planta solar fotovoltaica de escala GW en Oriente Medio, aplica cinco métodos de evaluación complementarios (ajuste de la tendencia diurna, análisis de correlación de Pearson (r), evaluación de la desviación absoluta máxima y mínima, clasificación por índice de deriva y evaluación de tendencias de varios días) para distinguir los fallos reales de los sensores de la variabilidad atmosférica con un alto grado de confianza diagnóstica. Se presentan resultados de una ventana de monitorización continua de 10 días (del 02 al 12 de noviembre de 2025) en siete estaciones y cinco grupos de parámetros, que demuestran la eficacia de la metodología en condiciones reales de operación en campo.

Por qué los datos por minuto de los sensores confunden a sus ingenieros

Y qué hacer en su lugar

Con frecuencia, los operadores de plantas solares, los EPC y los equipos de OCM plantean la misma alarma: "Sus dos sensores muestran valores distintos en un momento concreto. Uno de ellos debe de estar averiado.

En casi todos los casos, ambos sensores funcionan perfectamente. El problema no son los instrumentos, sino el método de comparación.

Este informe es una guía técnica definitiva para quienes comparan sensores de WMS redundantes en una planta solar a escala industrial. Mostraremos, con datos reales y estadísticas, por qué la comparación minuto a minuto es fundamentalmente errónea y por qué la validación estadística mediante promedios diarios, desviación estándar y coeficientes de correlación es el enfoque correcto y alineado con IEC.

Idea clave: dos sensores de Clase A instalados uno junto al otro en el mismo mástil rara vez mostrarán lecturas idénticas minuto a minuto. La atmósfera no es uniforme a escalas de tiempo de milisegundos. Es física, no un fallo del instrumento.

El problema de la comparación minuto a minuto

Cuando se comparan dos sensores en cada intervalo de 1 minuto, la variabilidad atmosférica instantánea, las celdas de turbulencia, los transitorios de sombra y el retardo de respuesta de los sensores contribuyen a un aparente "desacuerdo", incluso cuando ambos sensores están perfectamente calibrados y dentro de la tolerancia de Clase A.

Por ejemplo, una única desviación por minuto de 500 W/m² durante un transitorio de nubes no es un fallo, es física atmosférica. Los bordes de las nubes pueden pasar sobre un piranómetro entre 30 y 60 segundos antes que sobre el sensor adyacente, lo que produce un gran delta instantáneo mientras la correlación agregada diaria se mantiene por encima de 0.999. El índice de deriva y la correlación de Pearson (r) diaria distinguen correctamente los eventos meteorológicos transitorios de los fallos reales de los sensores.

Marco de análisis de datos

El marco de análisis de datos aplica cinco métodos estadísticos complementarios para validar los pares de sensores redundantes.

Utilizar un único método de forma aislada no es suficiente; la combinación de los cinco ofrece una visión robusta y resistente a la falsificación del estado de los sensores.

Análisis de datos reales de WMS en sitio

Obtuvimos datos de 10 días de 7 estaciones de monitorización meteorológica (WMS) puestas en servicio en un proyecto de planta solar fotovoltaica de 2GW en Oriente Medio.

Se analizaron a fondo los datos de los 4 parámetros más críticos: piranómetro (GHI), albedómetro, sensor de temperatura de módulo y sensor de velocidad del viento. Los datos se registraron a intervalos de 1 minuto en el registrador de datos XG930 de Clase A de fabricación Aeron de la WMS.

Análisis de datos de GHI

Perfil diurno de cielo despejado - Estación 41, 02 nov 2025

Figura 1: perfil de cielo despejado de GHI (piranómetro horizontal)

Este es el modelo de referencia de cómo se comportan unos sensores redundantes sanos: correlación de Pearson (r) casi perfecta, divergencia máxima inferior al 2% del pico y ninguna deriva direccional a lo largo del día.

Anomalía 1: Estación 45 - 03 nov 2025 - Transitorio de nubes

Un gran evento de sombra de nubes pasó por la Estación 45 entre las 12:53 y las 13:04. Ambos sensores de GHI respondieron simultáneamente, pero en distinta medida, lo que creó un gran delta instantáneo.

Figura 2: Estación 45 · 03 nov 2025 — Evento transitorio de GHI (sombra de nubes de 12:53 a 13:04)

Anomalía 2: Estación 41 - 09 nov 2025 - Transitorio en un solo sensor

GHI_IRR_01_01 mantuvo una curva en campana limpia e ininterrumpida durante todo el día. GHI_IRR_02_02 mostró una única caída transitoria brusca de −482 W/m² a las 10:12, con recuperación completa en 1 minuto. Este es el evento de mayor importancia diagnóstica del conjunto de datos: el sensor 1 demuestra la verdadera irradiancia del cielo, mientras que la caída aislada del sensor 2 confirma un evento de un solo sensor y no necesariamente un fallo del sensor (probablemente el impacto de un ave u otro fenómeno).

Figura 3: Estación 41 · 09 nov 2025 — Caída de GHI (transitorio de GHI_IRR_02_02 a las 10:12)

Resumen de correlación de GHI a 10 días - Todas las estaciones

Análisis de datos del albedómetro

Perfil diurno de cielo despejado - Estación 41, 02 nov 2025

ALM_Up (orientado hacia arriba, mide la irradiancia global entrante) y ALM_Down (orientado hacia abajo, mide la irradiancia reflejada por el suelo) se validan ambos como sensores emparejados. La Estación 41 muestra un comportamiento de albedómetro de manual en los días despejados

Figura 4: Análisis del albedómetro (ALM)

Resumen de correlación del albedómetro a 10 días - Todas las estaciones

Figura 5: Correlación de ALM a 10 días

La Estación 45 (03 nov) cae a 0.3C48 y la Estación 50 (03 nov) a 0.34C8; el índice de deriva identificó correctamente ambas como eventos transitorios de nubes, no como fallos de sensor.

Análisis de datos del sensor de temperatura de módulo (MTS)

Perfil diurno sano del MTS

La temperatura del módulo (MTS) sigue al sol: sube con la irradiancia por la mañana, alcanza su máximo a primera hora de la tarde (con un retraso de ~1 a 2 horas respecto al mediodía solar por la masa térmica) y luego baja a medida que la irradiancia se desvanece. Dos sensores en la misma estación deberían trazar curvas casi idénticas durante todo el día. A continuación se muestra la Estación 54 el 05 nov, uno de los días más limpios del conjunto de datos.

Figura 6: perfil sano del MTS

Anomalía 2: Estación 72 - 06 nov 2025

Este es el evento de MTS más llamativo de todo el conjunto de datos de 10 días. MTS_02_01 en la Estación 72 registró una única lectura de ~89°C a las 14:18, un salto de unos 35°C por encima de los demás sensores en ese momento. Todos los demás sensores de la misma estación siguieron con su descenso normal de la tarde. El sensor azul se mantiene estable; solo el rojo se dispara.

Figura 7: pico repentino en MTS02_Stn. 72

Un análisis detallado reveló que MTS_02_01 tenía MaxDiff = 89.35°C a las 14:18, mientras que todos los demás canales MTS de la misma estación mostraron MaxDiff < 3°C en el mismo periodo.

Corr (r)= 0.972: la única ocasión en todo el conjunto de datos de 10 días en que algún sensor MTS cayó por debajo de (r) = 0.980. El índice de deriva lo clasificó como la única anomalía de MTS en las 7 estaciones y los 10 días.

Causa probable: una conexión floja del termopar que provocó una lectura momentánea de circuito abierto, o suciedad/punto caliente localizado en esa celda concreta.

Resumen de correlación del MTS a 10 días — Todas las estaciones

Figura 8: Correlación de MTS a 10 días

La vista muestra cada estación como una línea de serie temporal. Se aprecia de inmediato que 6 de las 7 estaciones mantienen R ≥ 0.998 durante los 10 días sin excepción. La Estación 72 el 06 nov es el único valor atípico y destaca con claridad como una caída aislada en un solo día y en una sola estación.

Análisis de datos de velocidad del viento (WS)

Perfil diurno sano de WS

A diferencia de GHI o MTS, la velocidad del viento es naturalmente turbulenta: fluctúa de segundo en segundo por los remolinos, los efectos del terreno y la sombra del mástil. Dos anemómetros de la misma estación nunca trazarán curvas idénticas como lo hacen los piranómetros. Un día sano se ve como dos señales ruidosas pero estadísticamente similares, que siguen las mismas rachas y calmas generales. A continuación se muestra la Estación 41 el 02 nov, un buen día de referencia con R = 0.964.

Figura 9: perfil sano del sensor de velocidad del viento

Anomalía 2: Estación 41 - 04 nov 2025 - Fallo de WS_02_02

Figura 10: fallo identificado en el sensor de velocidad del viento WS_02_02

Este es un fallo real del sensor, no un evento meteorológico.

WS_01_01 (azul) muestra una tarde ventosa normal con rachas de hasta ~6 m/s, mientras que WS_02_02 (rojo) empieza con normalidad por la mañana y, desde aproximadamente las 10:30, produce lecturas erráticas y físicamente inverosímiles, incluido un MinDiff de −24.49 m/s, lo que es imposible para un anemómetro. Las dos señales dejan de estar correlacionadas por completo.

Resumen de correlación de WS a 10 días — Todas las estaciones

Figura 11: Correlación del sensor de velocidad del viento a 10 días

La velocidad del viento produce de forma natural más variación diaria en (r) que GHI o MTS: los días de calma con poco viento reducen la correlación de forma legítima. El gráfico anterior muestra esta variabilidad natural en todas las estaciones, con el umbral de 0.95 marcado.

Los valores que bajan a 0.91–0.96 en días de calma son normales: poco viento significa valores absolutos pequeños, y cualquier desplazamiento mínimo domina el factor de correlación (r). Lo que no es normal es un valor cercano a cero (0.0954). La línea de umbral roja discontinua en R = 0.95 muestra qué días-estación requirieron investigación. La Estación 41 el 04 nov es el único fallo real de todo el conjunto de datos; todas las demás caídas están dentro de la variabilidad atmosférica esperada.

Conclusiones clave

Un marco riguroso de cinco métodos, como el utilizado aquí, detectó todas las anomalías reales sin producir ninguna falsa alarma en el conjunto de datos de 7 estaciones y 10 días.

Los datos reales de una WMS en una planta solar PV en funcionamiento confirman que la correlación de Pearson (r), la desviación agregada diaria y la clasificación por índice de deriva son las herramientas correctas para analizar los datos de los sensores.
La divergencia minuto a minuto es física normal. La turbulencia atmosférica, los transitorios de nubes y el tiempo de respuesta de los sensores provocan desacuerdos instantáneos entre sensores colocalizados. Por tanto, no debe considerarse un fallo del sensor.

Autor: Saurabh Dey