El mantenimiento predictivo (PdM, Predictive Maintenance) es una evolución natural dentro del enfoque de operación y mantenimiento (O&M) de plantas fotovoltaicas. En lugar de realizar intervenciones basadas únicamente en calendario o en fallos detectados, PdM permite anticipar degradaciones o fallos mediante métodos de análisis de datos históricos y en tiempo real. Esto permite reducir paradas no planificadas, optimizar costes operativos y prolongar la vida útil de los activos. En plantas PV, donde los componentes tienen vidas útiles largas (módulos, inversores, trackers, cableado, cajas BOS, etc.), aplicar PdM puede traducirse en mejoras económicas relevantes, mayor disponibilidad y menores costes de reparación urgente. Además, según revisiones recientes, las técnicas de inteligencia artificial están asumiendo un papel creciente en sistemas renovables para pronóstico de fallos y mantenimiento predictivo.
¿Qué es PdM y por qué aplicarlo en plantas fotovoltaicas?
El mantenimiento predictivo consiste en monitorizar continuamente la condición de los activos, usar modelos de degradación o fallos para predecir el momento óptimo de intervención, y programar mantenimientos antes de que ocurra un fallo crítico. Esto contrasta con el mantenimiento preventivo (basado en intervalos fijos) o el mantenimiento correctivo (reactivo). Según definiciones estándar, PdM transforma interrupciones no planificadas en mantenimientos planificados, reduciendo tiempos de inactividad y costes asociados.
Ventajas económicas y operativas en plantas PV:
- Reducción de interrupciones imprevistas, por fallos y averías, lo que mejora la producción y reduce penalizaciones contractuales.
- Extensión de la vida útil de componentes y equipos costosos (inversores, transformadores, trackers) al intervenir antes de degradaciones severas o fallos progresivos.
- Optimización de recursos. Se mejora el uso de repuestos, personal técnico y herramientas, reduciendo costes de piezas sueltas y mantenimiento urgente.
- Mejora el retorno financiero. Los resultados financieros y la ratio de rendimiento se incrementan, ya que los fallos imprevistos o pérdidas por degradación se reducen significativamente o se mitigan anticipadamente. Relación directa con cláusulas de contrato O&M, KPIs de disponibilidad y reducción de LDs (liquidated damages).
Limitaciones:
- Necesidad de datos de alta calidad y frecuencia suficiente para entrenar modelos precisos.
- Riesgo de falsas alarmas, lo cual puede implicar costes innecesarios si no se ajustan bien los umbrales.
- Overfitting o baja generalización si no se validan correctamente los modelos con datos de campo.
Datos necesarios: arquitectura y etiquetado
Para construir un sistema de mantenimiento predictivo robusto en plantas fotovoltaicas, es clave disponer de múltiples canales de datos integrados, con buena frecuencia, calidad y correlación entre sensores.
A continuación, se detallan las fuentes principales con sus características técnicas y retos prácticos.
Fuentes de datos relevantes:
1. Datos de inversores / strings
Descripción técnica detallada: Incluye mediciones en tiempo real de potencias, corrientes (I), tensiones (V), temperaturas internas de inversores, fallos de strings, potencia activa y reactiva, pérdidas por curtailment, estados de alarmas. Frecuencias de muestreo típicas pueden ir desde segundos (por string o inversor) hasta 1 minuto o más. Esta granularidad permite modelar degradaciones lentas, detectar anomalías de potencia o corrientes atípicas que pueden indicar fallos incipientes.
Retos / consideraciones prácticas: Requiere asegurar integridad de los datos (sin lag, sin pérdidas), sincronización temporal (timestamps precisos). Necesaria alineación con datos meteorológicos.
2. Sensores de módulos
Descripción técnica detallada: Sensores instalados sobre módulos o en strings que miden temperatura del módulo (o de celda de referencia), irradiancia POA (plane-of-array), temperatura ambiente, inclinación, orientación, viento local, humedad relativa, sensores de módulo aislado (celdas aisladas para referencia de pérdida por soiling). Estas variables permiten calcular las características como diferencia entre temperatura medida e irradiancia estimada, corrección térmica del rendimiento, estimación de pérdidas térmicas y soiling ratio.
Retos / consideraciones prácticas: Es fundamental calibrar sensores de temperatura (coeficientes de temperatura del módulo), medir irradiancia con sensores de referencia (por ejemplo, pirheliómetros). Los sensores de módulo de referencia deben mantenerse limpios para evitar sesgos en el soiling.
3) Cámaras térmicas / IR
Descripción técnica detallada: Uso de cámaras infrarrojas montadas en drones, UAV o inspecciones manuales para capturar imágenes térmicas de módulos. Esto permite detectar hotspots térmicos, puntos calientes en conexiones, boxes de inversores, cajas de conexión (combiner / junction boxes) y pérdidas térmicas localizadas. Estos datos se pueden convertir en características (temperatura diferencial entre celdas, distribución de temperatura del módulo, desviaciones térmicas relativas al módulo limpio).
Retos / consideraciones prácticas: Problemas de resolución espacial (dependiendo altura de vuelo, resolución de cámara, ángulo). Deben realizarse con irradiancia adecuada para generar contraste térmico. Las imágenes deben georreferenciarse con los datos SCADA para correlación con la producción.
4) Inspecciones electroluminiscentes (EL)
Descripción técnica detallada: Imágenes en modo oscuro (por la noche o mediante excitación eléctrica) que muestran la emisión infrarroja de las células. Permiten detectar microfisuras, delaminaciones, conexiones rotas entre busbars o celdas, zonas con baja emisión luminosa. Estas imágenes pueden aportar etiquetas de defectos internos que no se detectan térmicamente.
Retos / consideraciones prácticas: Necesitan fuente de corriente controlada, oscuridad total, calibración de cámaras NIR (sensor InGaAs o CCD con filtro). Las imágenes deben alinearse con el diseño de módulos para generar etiquetas de defectos y entrenar modelos de clasificación o segmentación.
5) Datos meteorológicos
Descripción técnica detallada: Radiación global y directa, irradiancia en plano (POA o plano módulo), temperatura ambiente, viento (velocidad y dirección), humedad, precipitaciones, polvo atmosférico (aerosoles), precipitación de partículas de polvo(soiling). Estos datos ayudan a estimar degradación térmica, acumulación de suciedad (soiling), correcciones térmicas de potencia y pérdidas por temperatura.
Retos / consideraciones prácticas: Radiación global y directa, irradiancia en plano (POA o plano módulo), temperatura ambiente, viento (velocidad y dirección), humedad, precipitaciones, polvo atmosférico (aerosoles), precipitación de partículas de polvo (soiling). Estos datos ayudan a estimar degradación térmica, acumulación de suciedad (soiling), correcciones térmicas de potencia y pérdidas por temperatura.
6) Etiquetado de eventos
Descripción técnica detallada: Historias de alarmas, reparaciones registradas,
cambios de módulos o inversores, tiempos de reparación, reportes de técnicos. Estos
datos sirven para definir etiquetas (fallo, degradación, mantenimiento realizado). Por ejemplo: etiquetas binarias (fallo en inversor en próximo horizonte, fallo de módulo, fallo en tracker).
Retos / consideraciones prácticas: Deben definirse reglas claras de etiquetado: eventos etiquetados como “fallo inminente” con horizonte temporal (por ejemplo, 24 h o 7 días). Es clave mantener trazabilidad, fechas precisas y relación con datos de operación.
Para el etiquetado de datos se definen reglas como:
- Eventos de fallo identificados en SCADA (umbrales anómalos en potencia o corriente) marcan la etiqueta fallo inminente en componente X.
- Segmentos de datos con imágenes IR o EL asociadas permiten crear etiquetas de defectos (hotspots, microfisuras, conexiones defectuosas).
- Se pueden generar etiquetas binarias (fallo / sin fallo) o multicategoría (tipo de fallo: inversor, tracker, módulo, cable).
Se puede usar la herramienta PVlib para generar variables derivadas (temperatura de módulo, eficiencia térmica, corrección de irradiancia) como features 1 .
1 . variables / atributos derivados utilizados como entrada para modelos de aprendizaje automático (machine learning). En otras palabras, son propiedades cuantificables generadas a partir de datos brutos (temperatura de módulo, eficiencia térmica, irradiancia corregida, etc.) que los algoritmos usan para aprender patrones y hacer predicciones.
Modelos comunes: workflows, métricas y ejemplos
A continuación, se describen tipos de modelos típicos en PdM para plantas PV.
Modelos habituales
- Series temporales: se pueden usar modelos autoregresivos (AR, ARIMA), redes neuronales recurrentes (LSTM). Por ejemplo, predecir la evolución de potencia de inversores o strings varias horas o días adelante para detectar degradación progresiva.
- Clasificación supervisada: algoritmos clásicos como SVM (Support Vector Machine), Random Forest, árboles de decisión, etc., para clasificar si un equipo entrará en fallo en un horizonte temporal. Un estudio reciente presentó un sistema híbrido con clasificación en limpieza automática usando variables meteorológicas y sensores ambientales.
- Deep learning: se pueden usar LSTM o Transformers para aprender patrones complejos en series temporales multivariadas (irradiancia, temperatura, corrientes, imágenes térmicas). También autoencoders o redes convolucionales para detección de anomalías en imágenes IR / EL (por ejemplo, mosaicos térmicos). Un estudio de revisión reciente identificó que modelos de CNN + autoencoder y enfoques de digital
twin proporcionan buenos resultados en diagnóstico y pronóstico de fallos.
Métricas de evaluación
Métricas para series temporales (regresión / forecasting)
Métricas para clasificación / detección de fallos
Estas métricas permiten evaluar tanto la calidad de predicciones continuas (series temporales) como la detección temprana de fallos (clasificación/anomalías).
Ejemplo de workflow:
1. Recopilación de datos SCADA + meteorología + imágenes térmicas →
2. Preprocesamiento: limpieza de datos, corrección de datos faltantes →
3. Etiquetado de fallos (por eventos de alarmas + inspecciones IR/EL) →
4. Entrenamiento de modelo (por ejemplo, LSTM para predecir potencia residual en inversor) →
5. Umbral de alerta si la potencia esperada cae por debajo de cierto porcentaje →
6. Generación de alertas accionables hacia equipo O&M.
Integración en procesos O&M
Una vez desplegado el modelo predictivo, se procede a integrarlo con los procesos operativos. Las alertas generadas se transforman en órdenes de trabajo (work orders) automatizadas para técnicos (tracker, limpieza, chequeo de inversores, revisiones térmicas). Planificación de visitas basada en prioridad: los fallos pronosticados con alta probabilidad se planifican antes de que afecten la producción (por ejemplo: 5 % pérdida en los siguientes 24-48 h).
Se puede vincular con sistemas SCADA / digital twin para correlación entre predicción y datos reales. Permite optimizar recursos humanos y spare parts, solo intervenir cuando se detecta riesgo de fallo, integrando un plan de repuestos según predicción de fallos.
La integración de un sistema de mantenimiento predictivo no es solo un módulo analítico aislado — debe enlazarse con los procesos operativos y de mantenimiento de la planta fotovoltaica:
1. Pipeline de datos completo: se integran fuentes de datos SCADA, sensores de módulos, imágenes IR/EL y variables meteorológicas en un repositorio central (data lake). Estos datos se preprocesan: limpieza de valores faltantes, corrección de valores atípicos, sincronización temporal de diferentes frecuencias y alineación con mantenimiento histórico.
2.Ingeniería de características (feature engineering): se transforman variables crudas en características útiles, como tasa de caída de potencia en un periodo, diferencia entre potencia real y potencia esperada (según gemelo digital), variaciones térmicas del módulo, acumulación de suciedad (soiling) predicha, temperatura diferencial entre módulos iguales, tasa de cambio de corriente del inversor.
3. Entrenamiento del modelo de predicción: se usan modelos de series temporales para prever potencia futura, así como modelos de clasificación para predecir riesgo de fallo de componentes (inversores, trackers, cadenas).
4. Definición de umbrales de alerta: si la potencia predicha cae por encima de un umbral crítico (por ejemplo, reducción superior al 3 % respecto a lo esperado para los próximos 24 horas), se genera una alerta automática.
5. Gestión de órdenes de trabajo: la alerta se traduce automáticamente en órdenes de mantenimiento (work orders). Estas se priorizan según criticidad: fallos inminentes, degradaciones lentas o anomalías térmicas detectadas.
6. Planificación de visitas técnicas: se programan intervenciones específicas, por ejemplo, inspección térmica, limpieza selectiva, verificación de inversores, ajustes de torque, reemplazo de módulos degradados o mantenimiento correctivo.
7. Retroalimentación y mejora del modelo: una vez realizada la intervención, los datos reales del fallo o reparación se incorporan al histórico para volver a entrenar el modelo, ajustando umbrales y mejorando la precisión.
8. Gestión de repuestos: usando predicción del Remaining Useful Life (RUL) de componentes críticos, se puede ajustar la planificación de repuestos (spare parts) y actualizar contabilidad de reservas (MRA) con mayor precisión.
Con este enfoque, el mantenimiento correctivo se reduce y muchas intervenciones se planifican antes de que se conviertan en paradas costosas, aumentando la disponibilidad y previniendo penalizaciones contractuales.
Riesgos y limitaciones
Al desplegar un sistema de mantenimiento predictivo en activa operación de planta PV, hay varios riesgos y limitaciones que deben manejarse cuidadosamente:
- Sobreajuste (Overfitting): si los modelos se entrenan con datos muy específicos (por ejemplo, de una planta en clima árido), puede que no generalicen bien a otras plantas con condiciones diferentes (temperatura, humedad, soiling). Esto resulta en altas métricas en conjunto de entrenamiento, pero pobre rendimiento en nuevas plantas.
- Sesgo de datos: los datos pueden estar sesgados hacia condiciones operativas normales (sin fallos). Si no hay suficientes ejemplos de fallos, los modelos de clasificación pueden estar poco calibrados para detectar anomalías reales.
- Falsas alarmas (false positives): un alto número de falsas alarmas (false positives) genera coste innecesario en visitas técnicas, interrupciones y puede causar fatiga de los técnicos. Se debe gestionar con umbrales ajustados, métodos de reducción de alarmas (detección de valores atípicos + corrección adaptativa). En otros sectores industriales se ha logrado reducir falsas alarmas ~90 % mediante técnicas adaptativas y corrección de modelos base.
- Coste de uso: aunque las predicciones pueden ahorrar costes a largo plazo, la inversión en sensores de alta frecuencia, cámaras IR/EL, infraestructura de datos, licencias de software para entrenar modelos, almacenamiento y procesamiento en la nube (edge) también es significativa.
- Dato faltante o ruido: faltan datos (lag del SCADA, fallos de sensores, interrupciones de comunicación) pueden degradar la calidad de los modelos. Es necesario un procesamiento de limpieza de datos (imputación, corrección de valores atípicos).
- Restricciones regulatorias: uso de drones, cámaras IR en modo nocturno, accesibilidad de datos puede estar regulada. Además, incertidumbre en condiciones extremas (alta radiación, nieve, viento) puede afectar al modelo si no se tienen datos representativos
- Necesidad de actualización continua: los modelos deben ser recalibradosmperiódicamente para adaptarse a degradación progresiva de módulos, cambios en condiciones climáticas o actualizaciones de componentes.
- Latencia de inferencia: modelos complejos (por ejemplo, redes profundas o Transformers) pueden tener tiempos de inferencia elevados, lo cual puede limitar su uso en tiempo real.
Conclusión
El mantenimiento predictivo con Machine Learning representa una evolución estratégica del mantenimiento en plantas fotovoltaicas. No se trata únicamente de prever fallos ocasionales, sino de convertir grandes volúmenes de datos operativos, meteorológicos e inspecciones avanzadas en decisiones operativas inteligentes y anticipadas. Un sistema PdM bien implementado permite anticipar fallos en componentes críticos, optimizar órdenes de mantenimiento y gestionar repuestos de forma eficiente.
Gracias a las fuentes de datos disponibles —inversores, strings, sensores térmicos, imágenes IR/EL y predicciones meteorológicas— se puede construir un modelo completo que capture tanto degradaciones lentas como eventos súbitos (hotspots, fallos de inversor, fallos en trackers o pérdida por soiling). Los modelos varían desde series temporales (forecasting de potencia o rendimiento) hasta modelos de clasificación avanzada para detección de anomalías, usando técnicas como LSTM, Transformers, Random Forest o SVM. Las métricas de evaluación como MAE, RMSE, AUC, false alarm rate, lead time, precision/recall permiten medir con claridad la efectividad, anticipación y coste de falsas alarmas.
La integración de estos sistemas dentro de los procesos O&M transforma la operación de planta: las alertas automáticas se convierten en órdenes de trabajo, las predicciones informan sobre visitas técnicas, la planificación de repuestos se ajusta con estimaciones de remaining useful life, y los datos de intervenciones retroalimentan el modelo para mejorar su precisión con el tiempo.
Sin embargo, no está exenta de riesgos. Es fundamental contar con datos limpios y representativos, evitar el sobreajuste, calibrar umbrales para minimizar falsas alarmas y garantizar que los modelos se adapten continuamente a las condiciones de planta y cambios climáticos. También es clave considerar la inversión en infraestructura de datos y sensores, así como regulaciones locales para inspecciones con drones o cámaras especiales.
En suma, un programa de mantenimiento predictivo bien diseñado y mantenido puede generar ventajas competitivas significativas: mayor disponibilidad, menor coste de O&M, mayor vida útil de los componentes y cumplimiento más fiable de cláusulas contractuales. En un contexto de aumento de fenómenos extremos climáticos, esta capacidad predictiva será un factor diferencial en la rentabilidad y sostenibilidad de las plantas fotovoltaicas a largo plazo.
Referencias
1. Y. Ledmaoui et al., Review of Recent Advances in Predictive Maintenance and Cybersecurity …, PMC, 2025. pmc.ncbi.nlm.nih.gov
2. R. V. Vichare, S. R. Gaikwad, AI-based predictive maintenance of solar photovoltaics systems: a comprehensive review, Energy Informatics, 2025. SpringerOpen
3. A. Al-Humairi et al., Machine Learning-Based Predictive Maintenance for soiling /cleaning scheduling, MDPI, 2025. mdpi.com
4. H. Abdulla et al., Photovoltaic systems operation and maintenance: A review, Renewable & Sustainable Energy Reviews, 2024. sciencedirect.com
5. Alessandro Betti et al., Predictive Maintenance in Photovoltaic Plants with a Big Data Approach, arXiv preprint, 2019. arxiv.org
Autor: Marcos Carbonell Alemany
