Evaluación de la calidad de la energía eléctrica suministrada por una planta solar fotovoltaica conectada a la red haciendo uso de algoritmos de aprendizaje automático y de minería de datos

César Aristóteles Yajure Ramírez

doi:10.14482/inde.43.01.489.326

Autores/as

César Aristóteles Yajure Ramírez Universidad Central de Venezuela (Venezuela) https://orcid.org/0000-0002-3813-7606

DOI:

https://doi.org/10.14482/inde.43.01.489.326

Palabras clave:

Distorsión armónica, factor de potencia, frecuencia eléctrica, nivel de importancia, subgrupos

Resumen

La presencia de plantas solares fotovoltaicas para la producción de electricidad implica la disminución del uso de combustibles fósiles, y la reducción de las emisiones contaminantes. La disponibilidad de la energía solar depende de las condiciones climáticas, por lo que los parámetros de la energía eléctrica a entregar podrían verse afectados. El objetivo de esta investigación es mostrar una metodología basada en la ciencia de datos para la evaluación de la calidad de la energía de plantas solares fotovoltaicas conectadas a la red, considerando los estándares vigentes. Se aplica a una planta de 260 kWp del Instituto Nacional de Estándares y Tecnología de los Estados Unidos. Los parámetros utilizados son la distorsión armónica total, fluctuaciones y desbalance de voltaje, frecuencia eléctrica, y factor de potencia. Casi el 100% de los registros cumplen con los límites establecidos por los estándares para los parámetros, a excepción del factor de potencia, con un 63,56%. Del modelo de clasificación del factor de potencia se obtuvo que la potencias aparente y activa, y la frecuencia, son las variables más importantes. Del algoritmo de descubrimiento de subgrupos, se obtuvo que la irradiancia solar aparece en el 40% de los subgrupos, y la frecuencia en el 50%.

Citas

Asea Brown Boveri, «Technical Application Paper. Photovoltaic plants-Cutting edge technology. From sun to socket,» https://search.abb.com/library/Download.aspx?DocumentID=9AKK107492A3277&LanguageCode=en&DocumentPartId&Action=Launch, 2019.

C. A. Yajure-Ramírez, «Enfoque multicriterio para la selección óptima de variables explicativas para modelos de pronóstico de la energía eléctrica de plantas solares fotovoltaicas,» Revista Tecnológica ESPOL, vol. 35, nº 3, pp. 84-98, 2023. https://doi.org/10.37815/rte.v35n3.1045.

A. A. Alhussainy y T. S. Alquthami, «Power quality analysis of a large grid-tied solar photovoltaic system,» Advances in Mechanical Engineering, pp. 1-14. DOI: 10.1177/1687814020944670, 2020.

A. Anzalchi, A. Sundararajan, A. Moghadasi y A. Sarwat, «Power Quality and Voltage Profile Analyses of High Penetration Grid-tied Photovoltaics: A Case Study,» IEEE Industry Applications Magazine, p. DOI: 10.1109/MIAS.2019.2923104, 2019.

I. Ibrik, «Power Quality and Performance of Grid-Connected Solar PV System in Palestine,» International Journal of Engineering Research and Technology, pp. 1500-1507, 2019.

J. Cui, H. Siming, Z. Bingbing, Z. Hua, D. Chang, Z. Guofa y M. Bo, «Monitoring and Analysis of Power Quality in Photovoltaic Power Generation System,» de E3S W eb of C onferences ICPRE, 2018.

M. Barreto, A. Guananga, A. Barragán, E. Zalamea y X. Serrano, «Power Quality Analysis of Photovoltaic Systems,» de 21th International Conference on Renewable Energies and Power Quality (ICREPQ’23), 2023.

W. Salem, W. G. Ibrahim, A. M. Abdelsadek y A. A. Nafeh, «Grid connected photovoltaic system impression on power quality of low voltage distribution system,» Cogent Engineering, p. https://doi.org/10.1080/23311916.2022.2044576, 2022.

L.-A. El-Leathey, A. Nedelcu y M. Dorian, «Power Quality Monitoring and Analysis of a Grid-Connected PV Power Plant,» ELECTROTEHNICA, ELECTRONICA, AUTOMATICA (EEA), 2017.

A. Lavanya, J. Divya Navamani, A. Geetha, V. Ganesh, M. Jagabar Sathik, K. Vijayakumar y D. Ravichandran, «Smart energy monitoring and power quality performance based evaluation of 100-kW grid tied PV system,» Heliyon, p. https://doi.org/10.1016/j.heliyon.2023.e17274, 2023.

S. K. Mukhiya and U. Ahmed, Hands-On Exploratory Data Analysis with Python, Birmingham, UK: Packt Publishing Ltd., 2020.

International Electrotechnical Commission, «IEC 61000-4-30 - Técnicas de ensayo y de medida. Métodos de medida de la calidad del suministro,» IEC, Geneva, Switzerland, 2003.

R. C. Dugan, M. F. McGranaghan, S. Santoso y H. W. Beaty, Electrical Power Systems Quality, The McGraw-Hill Companies, 2004.

The Institute of Electrical and Electronics Engineers, «IEEE Std 519 - Recommended Practice and Requirements for Harmonic Control in Electric Power Systems,» IEEE, New York, 2014.

A. Q. Al-Shetwi, M. A. Hannan, K. P. Jern, A. A. Alkahtani y A. E. PG Abas, «Power Quality Assessment of Grid-Connected PV System in Compliance with the Recent Integration Requirements,» Electronics MDPI, p. doi:10.3390/electronics9020366, 2020.

National Electrical Manufacturers Association, «Electric Power Systems and Equipment-Voltage Ratings (60 Hertz),» ANSI, Virginia, USA, 2005.

The Institute of Electrical and Electronics Engineers, «IEEE Std 1547 - Standard for Interconnection and Interoperability of Distributed Energy Resources with Associated Electric Power Systems Interfaces,» IEEE, New York, 2018.

International Electrotechnical Commission, «IEC 61727 - Photovoltaic (PV) systems. Characteristics of the utility interface,» IEC, Geneva, Switzerland, 2004.

National Institute of Standards and Technology, «National Institute of Standards and Technology,» 04 Mayo 2023. [En línea]. Available: https://catalog.data.gov/dataset/nist-campus-photovoltaic-pv-arrays-and-weather-station-data-sets-05b4d.

Datasheet, «Datasheet,» 04 Mayo 2023. [En línea]. Available: https://www.datasheets.com/en/part-details/nu-u235f2-sharp-46351940#datasheet.

SolarDesignTool, «SolarDesignTool,» 04 Mayo 2023. [En línea]. Available: http://www.solardesigntool.com/components/inverter-grid-tie solar/PVPowered/137/PVP260kW/specification-data-sheet.html.

B. Ratner, Statistical and Machine-Learning Data Mining - Techniques for Better Predictive Modeling and Analysis of Big Data, Boca Raton, FL: CRC Press Taylor & Francis Group, 2017.

J. VanderPlas, Python Data Science Handbook - Essential Tools for Working with Data, Sebastopol, CA: O’Reilly Media, Inc., 2017.

S. Raschka y V. Mirjalili, Python Machine Learning - Machine Learning and Deep Learning with Python, Scikit-Learn, and TensorFlow, Birmingham: Packt Publishing Ltd., 2017.

A. Lopez-Martinez, J. M. Juarez, M. Campos y B. Canovas-Segura, «VLSD—An Eficient Subgroup Discovery Algorithm Based on Equivalence Classes and Optimistic Estimate,» Algorithms - MDPI, p. https://doi.org/10.3390/a16060274, 2023.

L. W. Rizkallah y N. M. Darwish, «An Analysis of Subgroup Discovery Quality Measures,» JOURNAL OF ENGINEERING AND APPLIED SCIENCE, pp. 109-131, 2019.

M. Meeng y A. Knobbe, «For real: a thorough look at numeric attributes in subgroup discovery,» Data Mining and Knowledge Discovery, pp. 158–212. https://doi.org/10.1007/s10618-020-00703-x, 2021.

D. Cielen, A. D. B. Meysman y M. Ali, Introducing Data Science, Shelter Island, NY: Manning Publications Co., 2016.