Monitorización y análisis de rendimiento en plantas fotovoltaicas: estándares, el gemelo digital y buenas prácticas

La monitorización de una planta fotovoltaica no es un mero registro de datos. Es el sistema nervioso que permite validar la energía producida, detectar pérdidas y demostrar, con trazabilidad, que la operación y el mantenimiento están bajo control. En este artículo abordamos qué medir y por qué, cómo aterrizar los requisitos de la IEC 61724-1 en una planta real, cómo limpiar y validar los datos, y cómo construir un gemelo digital (digital twin) con pvlib para comparar expectativas con realidad y acelerar el diagnóstico de fallos.

Para explicar el rendimiento hay que cuantificar tanto el recurso (la irradiancia que llega al plano de los módulos) como la respuesta del sistema (potencia/energía DC y AC, estados y consignas). El KPI “estrella” que traduce recurso a producción es el Performance Ratio (PR); su cálculo exige irradiancia en plano del generador (POA), temperatura de módulo y energía AC medida de forma fiable. La norma IEC 61724-1:2021 clasifica los sistemas de monitorización en Clase A/B/C y asocia a cada clase requisitos de sensores, calidad metrológica y frecuencia de muestreo; en resumen, Clase A demanda piranómetro de Clase A (ISO 9060:2018, “Secondary Standard”), varios sensores de temperatura de dorso de módulo y registros a resolución de minuto con escaneo rápido, mientras que B y C permiten soluciones más simples (p. ej., células de referencia calibradas) a costa de mayor incertidumbre.

Lo ideal es medirla directamente con un piranómetro de Clase A montado coplanar a los módulos (y en bifacial, considerar sensores delantero/trasero o un modelo bifacial con albedo y geometría). Alternativamente, puede estimarse POA a partir de GHI/DNI/DHI usando modelos de transposición (Pérez, Hay-Davies) si la estación meteorológica no está coplanar, pero esto añade incertidumbre y debe justificarse en el plan de medida.

Es determinante para corregir la potencia teórica. La IEC 61724-1 pide sensores de temperatura de dorso de módulo fijados correctamente, con número mínimo por campo para Clase A/B (reparte por orientaciones y por strings representativos). Sensores modernos como CS241/CS241DM (Pt-1000, Modbus) están optimizados para bifacial y reducen el error por sombreado del propio sensor.

Necesitamos, como mínimo, E_AC horario/minutal por inversor, y si hay monitorización de strings, I_string para análisis de dispersión y detección de soiling parcial. Los inversores exponen señales por SunSpec Modbus o APIs propietarias (SMA, SolarEdge), que conviene normalizar desde SCADA.

Curtailments (RD/TSO), alarmas de inversor, estado de seguimiento, consignas de potencia reactiva/factor de potencia y datos meteorológicos auxiliares (ambiente y viento) completan el “contexto” para explicar desvíos. Las Buenas Prácticas de NREL recomiendan documentar estas exclusiones y anotar cada evento en el pipeline de datos. 

La IEC 61724-1 define tres clases con combinaciones de sensores, precisión, calibración y muestreo. En instalaciones utility-scale, Clase A es la referencia para OPEX bancable; Clase B encaja en plantas medianas o retrofit; Clase C queda para autoconsumo o pre-diagnóstico.

Irradiancia (POA/GHI/DNI)

Para Clase A, piranómetro ISO 9060:2018 Clase A (p. ej., EKO MS-80, Kipp & Zonen SMP10/SMP12, Hukseflux SR20/SR30), con calentador/ventilación si hay rocío o escarcha frecuente; recalibración trazable cada 2 años típica. En B/C pueden usarse células de referencia montadas coplanares (p. ej., IMT Solar Si-RS485TC-2T) con derivas controladas por limpieza y recalibración periódica.

Múltiples sensores de dorso de módulo por orientación/string, fijación con adhesivo térmico y cableado protegido. La familia CS241/CS241DM se diseñó para bifacial, con baja masa y salida Modbus RS-485, lo que simplifica integración en SCADA.

Clase A implica escaneo rápido (segundos) y promedios a 1 min, algo documentado en resúmenes técnicos de fabricantes que implementan la IEC (por ejemplo, Hukseflux) y notas divulgativas. Esto importa para eventos transitorios: nubes rápidas, tracking discontinuo o clipping en inversor.

Controladores como Campbell Scientific CR1000X/CR1000 integran sensores analógicos y buses RS-485 con buena metrología y sincronización horaria estable; hay sistemas específicos “llave en mano” para solar (Solar1000).

Se mide SR (Soiling Ratio) comparando irradiancia de un sensor limpio vs. uno ensuciado o con sensores ópticos dedicados (p. ej., DustIQ). Esta señal es crítica para planificar lavados y para corregir el PR/EPI.

1. Irradiancia en plano (POA) y temperatura de célula

Si medimos POA con piranómetro coplanar, G_{POA} es el promedio minutal ya corregido por inclinación. Si partimos de GHI/DNI/DHI, podemos estimar POA con un modelo de transposición (Perez o Hay-Davies):

donde θ_i​ es el ángulo de incidencia sobre el plano, ρ_g  el albedo y F_diff, F_refl​ factores geométricos del modelo elegido. En práctica, pvlib implementa estos cálculos (get_total_irradiance) y los integra en ModelChain. 

La temperatura de célula puede estimarse con modelos térmicos (SAPM, Faiman, PVsyst) a partir de G_POA​, temperatura ambiente y viento:

Estos modelos están en pvlib (temperature.sapm_cell, modelchain.pvsyst_temp). Si hay sensores de dorso de módulo, se puede recalibrar el modelo para la planta específica. 

2. Energía esperada y PR (con corrección térmica y por suciedad)

La energía de referencia para el PR clásico es:

y el PR:

Para comparaciones justas en clima cálido y con módulos PERC o TOPCon, es preferible el PR corregido por temperatura:

donde γ_P​ es el coeficiente de potencia del módulo (p. ej., −0,35 %/°C; usar el valor de ficha CEC/PVsyst). Estas variantes están alineadas con prácticas de NREL/IEC para análisis anual. 

La corrección por suciedad se aplica cuando medimos SR:

Sustituyendo H_POA​ por su versión “limpia” reducimos el sesgo del PR durante periodos con soiling. Sensores como DustIQ o pares limpio/sucio permiten estimar SR de forma continua.

3. Índice de rendimiento energético (EPI) y diagnóstico

El EPI compara la energía real con la predicha por un modelo físico calibrado (el gemelo digital):

donde ​ se obtiene con ModelChain en pvlib combinando: transposición (Pérez/Hay-Davies), pérdidas por ángulo de incidencia/espectral, modelo del módulo (CEC/DeSoto/SAPM), modelo térmico y modelo del inversor (Sandia/ADR/PVWatts). Un EPI ≈ 1 indica que la planta rinde según lo esperado; desviaciones sistemáticas (p. ej., EPI = 0,95) sugieren pérdidas no modeladas: suciedad, mismatch, degradación o curtailment no excluido. 

4. Métricas de error para validar el gemelo digital

Para cuantificar la calidad del modelo se usan RMSE, MAE y NMBE sobre series horarias/minutales:

NREL recomienda reportar estas métricas junto con intervalos de confianza cuando se emplea el modelo para garantías o liquidaciones. 

Un sistema de monitorización vale lo que valen sus datos. La IEC 61724-1 y guías técnicas de fabricantes recomiendan control de plausibilidad y aceptación antes de calcular KPIs: rangos físicos (p. ej., G_POA ≥ 0, temperatura razonable), coherencia angular (POA no puede exceder DNI ajustado por incidencia salvo reflexión), pendientes y dispersión de strings, y detección de pasos (saltos de nivel) y calados (periodos en cero) típicos de averías de sensor o comunicaciones.

En práctica:

• Huecos (missing): marcar y, si la fracción de huecos < umbral (p. ej., 5 %/día), imputar con vecinos; si mayor, excluir el intervalo de los KPIs del día.
• Saturación: picos de POA anómalos por rocío o reflexiones se filtran por percentiles (p. ej., P99.9) o reglas físicas (Pérez inverso).
• Sincronía: todos los tags deben estar en el mismo tiempo y zona horaria; para inversores con colas internas, realinear al timestamp del contador de energía.

Estas prácticas están recogidas y ejemplificadas en las best-practices de NREL para O&M y en manuales de instrumentación de Kipp & Zonen/Hukseflux, que aterrizan la IEC. 

Construir un gemelo digital operativo no requiere software propietario ni black boxes. Con pvlib (Python) podemos implementar un flujo reproducible:

1. Entradas meteorológicas: G_POA (medido o transpuesto), T_amb​, viento; si sólo hay GHI, usar Location.get_clearsky (Ineichen) para validar ventanas despejadas y irradiance.get_total_irradiance para POA.
2. Módulo e inversor. Cargar parámetros CEC/Sandia desde las bases de pvlib (bases incluidas), o desde PVsyst si es el modelo de referencia del EPC.
3. Modelo térmico: SAPM/PVsyst/Faiman, calibrado con sensores de dorso.
4. Pérdidas: AOI, espectral, suciedad (si hay SR), ohmic DC, clipping.
5. Agregado: escalar por número de strings y relaciones DC/AC reales; validar con periodos despejados.
6. Comparación: calcular EPI, RMSE, NMBE y generar informes.

La clase ModelChain encapsula este pipeline y permite opciones como sapm, cec, desoto, pvwatts, sandia_inverter y modelos térmicos (sapm_temp, pvsyst_temp, faiman_temp).

Ejemplo conceptual (sin código): definimos la geometría (tilt/azimut/tracking), leemos G_POA ​ y T_amb, estimamos T_cell con sapm_temp, calculamos potencia DC con cec y AC con sandia_inverter; acumulamos a energía y comparamos con contador fiscal. Si hay bifacial, pvlib ofrece bifacial.infinite_sheds para estimar irradiancia trasera en función de altura, separación y albedo.

Una vez calculado el gemelo digital en tiempo (casi) real, se habilitan alarmas de desvío (p. ej., EPI < 0,96 durante N intervalos), de ensuciamiento (SR bajo), de deriva de sensor (residuales sistemáticos entre referencia y piranómetro) y de dispersión de strings (I_string con alto coeficiente de variación). La literatura reciente recoge múltiples estrategias de FDD con datos SCADA basadas en modelos físicos, reglas y machine learning. Un buen punto de partida es la revisión científica de FDD en FV y notas técnicas de NREL sobre detección de fallos con datos operativos. 

Para la visualización y explotación, un stack abierto funciona bien: InfluxDB como base de datos de series temporales y Grafana para paneles y alertas (webhooks, correo, Slack). Son tecnologías extendidas y con abundante documentación y ejemplos, adecuadas para crecer desde unas decenas a miles de tags. 

Si preferimos soluciones “llave en mano” sectoriales, plataformas como meteocontrol VCOM o AlsoEnergy PowerTrack integran agregación multi-planta, gestión de tickets y reporting para portfolios utility-scale. 

Los principales equipos y herramientas que se necesita para la medición y seguimiento en la Operación y Mantenimiento (O&M) de una instalación fotovoltaica son:

Piranómetros Clase A (ISO 9060:2018).

• EKO MS-80: calibración trazable, baja sensibilidad a la inclinación; opción de calefactor.
• Kipp & Zonen SMP10/SMP12 (OTT HydroMet): salida digital, mantenimiento reducido; documentación extensa IEC.
• Hukseflux SR20/SR30: diseño robusto y documentación específica para IEC 61724-1.

Células de referencia (POA).

• IMT Solar Si-RS485TC-2T: célula de silicio con temperatura integrada y Modbus; útil en Clase B/C y como redundante.

Temperatura de módulo.

• Campbell CS241/CS241DM: Pt-1000 Clase A, bajo perfil para bifacial, salida Modbus; excelente para IEC Clase A.

Soiling.

• Kipp & Zonen DustIQ: sensor óptico para índice de ensuciamiento, sin panel de referencia.

Data logger/estación meteo.

• Campbell CR1000X/CR1000 y Solar1000: adquisición robusta, sincronización fiable, bibliografía y soporte para solar.

Comunicación de datos.

• SunSpec Modbus estándar de facto para inversores/medidores, y documentación pública para integraciones. 

Software de modelización.

• pvlib (Python): cadena de modelos completa (transposición, térmico, CEC/Sandia, inversores); base para el gemelo digital. 
• SAM (NREL) y PVPMC como referencias metodológicas y validación cruzada.

Antes de publicar KPIs o usarlos en contratos, establezca un procedimiento de aceptación de datos: 

1. verificar calibración vigente de piranómetros y células de referencia; 
2. revisar limpieza de sensores y tilt/azimut respecto a strings; 
3. chequear sincronización horaria (data logger, SCADA, contadores fiscales); 
4. aplicar filtros de plausibilidad (rangos físicos, límites por pendiente, lógica de potencias negativas sólo en night noise); 
5. marcar huecos y documentar imputaciones; 
6. identificar y excluir ventanas con curtailment y trabajos O&M; 
7. recalibrar modelo térmico con sensores de dorso. Estas prácticas son coherentes con IEC 61724-1 (clases y requisitos) y con guías de NREL/IEA-PVPS para O&M en distintas climatologías.

En función del tamaño de las plantas fotovoltaicas debemos observar diferentes arquitecturas del sistema de seguimiento.

Plantas pequeñas (< 1 MWp)

Una estación meteo con piranómetro Clase B/C o célula de referencia, 1–2 sensores de dorso y ambiente/viento; logger sencillo con envío MQTT/HTTP a InfluxDB y visualización Grafana en nube; pvlib corriendo en un scheduler (p. ej., cron) para EPI diario y alarmas básicas. InfluxDataGrafana Labs

Plantas medianas (1–20 MWp)

POA con piranómetro Clase A, al menos 4–6 sensores de dorso repartidos por orientaciones, SR continuo (DustIQ o par limpio/sucio), logger tipo CR1000X con registro a 1 min y backhaul redundante; SCADA con normalización SunSpec, dashboard Grafana y FDD simple basado en reglas (EPI, SR, I_string). campbellsci.comHukseflux

Utility-scale (> 20 MWp)

Duplicidad de POA (piranómetros redundantes), respaldo con célula de referencia, sensores de backsheet por bloque, estación meteo de clase research-grade, calibración programada, data lake con retención de históricos, FDD híbrido (modelo físico + ML) y plataforma de portfolio (VCOM/PowerTrack) para ticketing y reporting.

Una planta bien instrumentada explica su rendimiento: traduce irradiancia y temperatura a energía, hace visible el efecto de la suciedad y separa pérdidas evitables de restricciones ajenas (curtailment). Con IEC 61724-1 como marco, sensores de clase adecuada y un gemelo digital con pvlib, se pasa de mirar curvas a tomar decisiones: cuándo lavar, qué inversor está degradando, si el tracking está bien alineado o si un sensor deriva. El resto es disciplina: calibrar, limpiar, sincronizar y documentar.

• IEA-PVPS Task 13, Guidelines for Operation and Maintenance of Photovoltaic Power Plants in Different Climates, 2022. 
• IEC 61724-1:2021 — resúmenes técnicos y aplicación práctica (Hukseflux).
• ISO 9060:2018 — clasificación de piranómetros (OTT/Kipp & Zonen, nota técnica).
• NREL, Best Practices for O&M of PV and Energy Storage Systems, NREL/TP-7A40-73822. 
• pvlib python — documentación de ModelChain y módulos asociados. 
• SAM (NREL) — documentación de modelos FV y validación.
• Instrumentación: EKO MS-80, Kipp & Zonen SMP10/SMP12, Hukseflux SR20, IMT Solar Si-RS485TC-2T, Campbell CS241/CS241DM, CR1000X/CR1000, Solar1000. 
• Soiling: DustIQ (OTT/Kipp & Zonen).
• Integración SCADA: SunSpec, SMA Data Monitoring, SolarEdge Monitoring. 
• FDD: revisión y estudios recientes sobre diagnóstico de fallos con datos SCADA y enfoques híbridos.

• G_POA: piranómetro Clase A coplanar (EKO MS-80 / SMP10 / SR20) conectado a un CR1000X (entrada analógica) o a PLC; alternativa: célula de referencia IMT Solar por RS-485.
• T_cell: sensores CS241/CS241DM fijados con adhesivo térmico y ruta Modbus al SCADA; calibrar el modelo térmico con estos datos. 
• E_AC/P_AC: contador fiscal y tags de inversor por SunSpec; consolidar en SCADA. 
• SR (Soiling Ratio): DustIQ o pareja limpio/sucio (mismo soporte y tilt).
• Gemelo digital: pvlib en servidor ligero (cron) lee tags de InfluxDB y genera EPI, PR_T y alarmas; paneles en Grafana con thresholds y webhooks. 

Con esta base, el equipo de O&M puede sostener auditorías técnicas y contractuales con trazabilidad y reducir pérdidas no técnicas a lo imprescindible.

Autor: Marcos Carbonell Alemany