Nelson Andrés Salazar, estudiante del Doctorado en Ingeniería de la Universidad de los Andes, ha desarrollado una metodología innovadora para mejorar el rendimiento y la confiabilidad de los sistemas de energía solar. Su investigación, titulada "Evaluación del rendimiento y detección dinámica de fallos en sistemas fotovoltaicos mediante inteligencia artificial", propone una solución inteligente ante uno de los principales retos del sector: las pérdidas energéticas asociadas a condiciones meteorológicas cambiantes y fallas técnicas difíciles de detectar a tiempo.
Dirigido por el profesor Andrés González Mancera, este trabajo nace de los grupos de investigación en Mecánica Computacional y Conversión de Energía, y se enfoca en diseñar un modelo computacional que, a partir de datos meteorológicos, operativos y técnicos, permite estimar con alta precisión la producción eléctrica esperada y detectar fallos en tiempo real, sin depender de la configuración específica del sistema fotovoltaico: "La energía solar pierde, en promedio, un 25% de su potencial debido a variaciones climáticas y problemas técnicos. Nuestro modelo busca caracterizar esas pérdidas y detectar fallas para optimizar el rendimiento y alargar la vida útil de los sistemas", explica Nelson.
La propuesta se apoya en una red neuronal artificial entrenada para estimar la producción eléctrica considerando las condiciones ambientales, lo que permite establecer umbrales operativos dinámicos y distinguir entre comportamientos normales o defectuosos. A diferencia de los métodos tradicionales, esta metodología no se ve limitada por la topología del sistema, lo que facilita su aplicación en diferentes contextos y escalas.

La matriz de confusión refleja la precisión del modelo al clasificar fallas y condiciones normales.
El modelo fue validado utilizando el sistema fotovoltaico del edificio Santo Domingo, en el campus de Uniandes. Entre los resultados más destacados están:
- Un modelo computacional con un error promedio del 3,3% en la estimación de la potencia AC, superando a herramientas comerciales como PVsyst y PVWatts.
- Un algoritmo de inteligencia artificial con un margen de error inferior al 5% en la estimación de producción eléctrica esperada.
- Un mecanismo de detección de fallas con un 93,8% de precisión, robusto frente a valores atípicos, lo que reduce significativamente las falsas alarmas.
Los beneficios prácticos de este avance son contundentes: la herramienta permite tomar decisiones informadas en la operación y mantenimiento de sistemas fotovoltaicos, mejora la confiabilidad en la generación solar y contribuye directamente a la transición energética sostenible: "Nuestro objetivo es aportar a una generación de energía solar más eficiente, confiable y adaptable a diferentes contextos. Creemos que esta metodología puede ser un paso importante hacia ese propósito", concluye el investigador.
► Lee el artículo completo y conoce todos los detalles técnicos del proyecto aquí.