Todos los proveedores de tecnología solar dicen tener IA. Muy pocos la ofrecen de verdad. Una evaluación de IA solar rigurosa separa las plataformas que toman decisiones operativas de las herramientas que solo generan más alarmas, y debe hacerse antes de firmar un contrato plurianual para una cartera solar a escala utility.
La diferencia entre una IA real y una simple alerta por umbrales no es una cuestión teórica. Se nota en los ingresos perdidos, en el tiempo desperdiciado y en los informes de drones que nadie utiliza.
Respuesta corta: una IA solar real toma decisiones, no solo genera alertas. Indica si hay que actuar, esperar o ignorar, y vincula cada incidencia con su impacto financiero.
Si su sistema no puede hacer eso, no es IA.
El problema real: la mayoría de la «IA solar» es solo un sistema de alarmas más sofisticado
La trampa de la inflación de alertas
La mayoría de los sistemas generan alertas basadas en umbrales.
- La mayoría de las alarmas son ruido que nunca deriva en una orden de trabajo
- Los ingenieros pierden tiempo descartando falsas alarmas
- Las incidencias reales pasan desapercibidas
Esto no es IA. Es automatización con alertas.
El problema de los drones desconectados
Las inspecciones con drones suelen producir PDF e informes térmicos que nunca se utilizan en la operación.
Si los datos de los drones no están conectados al SCADA ni a las órdenes de trabajo, no mejoran el rendimiento.
El problema de la degradación del modelo
Los modelos de IA que no aprenden de su propia flota pierden precisión con el tiempo y generan más falsos positivos. Los equipos envejecen, los módulos se degradan, los seguidores se reajustan y los inversores se sustituyen; un modelo entrenado una sola vez en la puesta en marcha se aleja poco a poco de la planta que debe describir.
Las 6 normas que debe cumplir una IA solar real
| Norma | Qué significa |
|---|---|
| Toma de decisiones | La IA decide la acción, no solo emite alertas |
| Salida financiera | Cada incidencia se muestra en €/día |
| Aprendizaje continuo | Mejora con sus propios datos |
| Integración drones + SCADA | Mapeo completo a los activos |
| Ingesta de datos | Procesa PDF, notas e imágenes |
| Propiedad de los datos | Usted es el propietario de sus datos |
Q1 – ¿Su IA toma decisiones o solo genera alertas?
Si sus ingenieros descartan cientos de alarmas y solo actúan sobre unas pocas, su sistema no es IA.
La IA real filtra el ruido y escala únicamente las incidencias de alto valor.
Una prueba útil: pida al proveedor la proporción entre alarmas generadas y órdenes de trabajo creadas en un emplazamiento comparable, y cómo cambió esa proporción durante los primeros seis meses.
Q2 – ¿Pueden los datos de drones vincularse directamente al SCADA?
Sin integración, los hallazgos de los drones no se utilizan.
Con integración, las anomalías se asignan directamente a los strings y se convierten en órdenes de trabajo.
En la práctica, esto significa que las imágenes de drones se georreferencian con un layout as-built, cada anomalía se etiqueta con el ID de su módulo, string, combiner e inversor, y ese ID se relaciona con el canal SCADA que mide el mismo equipo. Un string que muestra un patrón de diodo de bypass en la imagen térmica y una caída de corriente coincidente en SCADA es un fallo confirmado; uno que no muestra ninguna de las dos cosas no justifica el desplazamiento de un técnico.
Q3 – ¿Qué precisión tiene su modelo de producción esperada?
La producción esperada es la base con la que se compara cada alerta, así que su error importa más que cualquier función del panel. Pida al proveedor que muestre el error mensual entre producción esperada y real por emplazamiento, y con qué rapidez actualiza el modelo tras un cambio en campo.
Un modelo fiable utiliza la irradiancia en el plano del generador y la temperatura de los módulos, sigue las definiciones de la ratio de rendimiento de la IEC 61724-1 y atribuye las pérdidas a causas concretas. Además, debe separar la limitación de producción (potencia limitada por una instrucción de la red o del comprador) del clipping (potencia DC por encima de la potencia AC nominal del inversor), porque una es una pérdida comercial y la otra una decisión de diseño, y ninguna es un fallo de equipo.
Q4 – ¿Vuela con los drones con demasiada frecuencia o con muy poca?
Las inspecciones con drones deben basarse en la condición de los equipos, no programarse a ciegas.
- Lance inspecciones en función de las anomalías
- Utilice vuelos dirigidos
- Evite costes innecesarios
Un patrón razonable es una inspección térmica completa del emplazamiento al año, realizada en condiciones que cumplan la IEC TS 62446-3 (estables, con alta irradiancia en el plano del módulo y una cámara radiométrica), más vuelos dirigidos a los bloques donde SCADA muestra un bajo rendimiento sin explicación.
Q5 – ¿Puede su IA utilizar datos no estructurados?
Las notas de los técnicos, los PDF y las fotos contienen información valiosa que la mayoría de los sistemas ignora.
La IA avanzada convierte todo eso en inteligencia estructurada: la nota de un técnico que indica que se sustituyó un fusible de combiner, o la foto de un conector dañado, pasa a ser un evento fechado en el historial de ese activo, de modo que los fallos repetidos se hacen visibles en toda la flota.
Q6 – ¿Cómo prioriza los defectos detectados por drones?
No todos los defectos son iguales.
Priorice según:
- Severidad
- Pérdida de producción
- Riesgo
- Recurrencia
En los hallazgos térmicos, la severidad parte de la diferencia de temperatura (ΔT) entre la anomalía y los módulos sanos comparables, medida con una cámara radiométrica, y de las clases de anomalías descritas en la IEC TS 62446-3. La severidad por sí sola no basta: una anomalía leve repetida en todo un string puede costar más energía que una única célula caliente. El informe IEA PVPS sobre degradación y modos de fallo es una buena referencia para saber qué defectos tienden a empeorar con el tiempo.
Q7 – ¿Su IA aprende de los falsos positivos?
Una IA real reduce el ruido con el tiempo. Los sistemas deficientes repiten los mismos errores. Pregunte cómo marca un ingeniero una alerta como falso positivo, y si ese feedback reentrena el modelo para ese emplazamiento o solo oculta la alerta.
Q8 – ¿Está preparado para las operaciones BVLOS con drones?
Los emplazamientos solares de gran tamaño se benefician de los vuelos más allá de la línea de visión (BVLOS), porque un solo vuelo puede cubrir bloques que de otro modo requerirían varios puntos de despegue. Los BVLOS necesitan aprobación regulatoria: una exención o autorización de la FAA en Estados Unidos, o una operación en la categoría específica de EASA en Europa. Compruebe si el socio de drones del proveedor tiene las aprobaciones que necesitan sus emplazamientos.
Q9 – ¿Su gemelo digital ofrece información financiera?
Un gemelo digital real conecta los datos operativos con el modelo financiero: cada defecto abierto lleva una estimación de pérdida de energía y una cifra de ingresos al precio real de la tarifa o del PPA del emplazamiento, de modo que el backlog puede ordenarse por valor.
Q10 – ¿Su «machine learning» es realmente IA?
| Característica | Sistema por umbrales | IA real |
|---|---|---|
| Detección | Basada en reglas | Reconocimiento de patrones |
| Contexto | Ninguno | Específico por activo |
| Aprendizaje | Estático | Continuo |
| Salida | Alertas | Información financiera |
| Acción | Manual | Automatizada |
Cómo realizar una evaluación de IA solar en 30 días
Las afirmaciones son fáciles de hacer en una demo comercial. Un piloto corto en uno de sus propios emplazamientos muestra lo que la plataforma hace realmente.
- Elija un emplazamiento representativo. Seleccione uno con incidencias conocidas y al menos un año de histórico de SCADA.
- Registre una línea base. Cuente las alarmas por semana, las órdenes de trabajo generadas y el tiempo medio de reparación (MTTR) con sus herramientas actuales.
- Conecte los datos. SCADA, la última inspección con drones, el historial de órdenes de trabajo y las notas de los técnicos. Anote cuánto mapeo manual necesita el proveedor.
- Compare los resultados. Para cada incidencia que genere la plataforma, compruebe si es real, si ya era conocida y si incluye una estimación de energía e ingresos.
- Pruebe el ciclo de feedback. Marque los falsos positivos y compruebe si la misma alerta deja de repetirse.
- Verifique la propiedad de los datos. Confirme que puede exportar los datos brutos y procesados en formatos abiertos si decide marcharse.
Al final, compare el volumen de alarmas, las incidencias confirmadas y el MTTR con la línea base. Estos tres números responden a la evaluación mejor que cualquier lista de funciones.
Recursos externos
- Estudio de Nature sobre la degradación solar
- Buenas prácticas de NREL para O&M fotovoltaico
- ROI solar con IA
Preguntas frecuentes
Compruebe la tasa de falsos positivos, si el sistema recomienda una acción en lugar de limitarse a generar una alerta y si cada incidencia tiene un impacto energético y financiero. Además, la IA real mejora cuando los ingenieros le dan feedback.
Solo cuando los datos de inspección están integrados con el SCADA y los flujos de mantenimiento. Las anomalías deben asignarse a módulos y strings concretos, contrastarse con los datos de producción y convertirse en órdenes de trabajo.
Combine la severidad térmica, medida como la diferencia de temperatura frente a los módulos sanos, con la pérdida de energía estimada, el riesgo para la seguridad y la recurrencia. Ordene el backlog por impacto financiero y no por número de defectos.
Sí, si reduce de forma medible el ruido de alarmas y el tiempo medio de reparación, y mejora la producción en sus propios emplazamientos. Un piloto corto frente a una línea base registrada es la forma más fiable de comprobarlo.
El volumen de alarmas, la proporción de alertas que son incidencias confirmadas, el tiempo medio de reparación, la precisión del modelo de producción esperada y si puede exportar sus datos en formatos abiertos.
Conclusión
La mayoría de las herramientas de IA solar generan más datos. Muy pocas generan decisiones.
Si su sistema no prioriza, no decide y no aprende, no es IA.