IEEE Power & Energy Magazine - Spanish - November/December 2020 - 106

Durante la fase de diseño, los integradores de sistemas desarrollan
el producto según el conocimiento institucional o histórico, pero los
casos de uso que el sistema encuentra en el campo podrían generar
nuevos indicadores de fallas.

que interactúan donde es difícil modelar de manera integral
todos los comportamientos debido a las dependencias, relaciones y todas las demás interacciones entre estos componentes. En sistemas complejos, las fallas son menos evidentes y
es posible que no se identifiquen o solucionen visualmente
mediante un procedimiento de rutina. Por lo tanto, las operaciones complejas para otros sistemas (véase la figura 3) a
menudo se basan en técnicas predictivas, que aún no se han
explorado completamente para los BESS.
El análisis predictivo implica comprender cómo fallan
todos los componentes de un sistema y luego monitorear de
forma activa los componentes en busca de criterios de falla.
Un informe de 2019 de GlobalData, " El mantenimiento
predictivo de la potencia " , señaló varias implementaciones
exitosas de este enfoque en el sector de las empresas de servicios públicos.
✔✔ El centro de monitoreo y diagnóstico de American
Electric Power identificó señales de advertencia de
falla e inició el trabajo de reparación de una pala de la
turbina de gas antes de la interrupción, lo que resultó
en el ahorro de aproximadamente US$ 19 millones.
✔✔ Duke Energy llevó a cabo análisis predictivos para la
detección temprana de una grieta en el rotor de una
turbina. Esto resultó en un ahorro de más de US$ 7.5
millones.
✔✔ Southern Company realizó análisis predictivos a los
modelos de centrales eléctricas para disminuir el mantenimiento inesperado y mantener la confiabilidad de
la calidad de los datos, lo que resultó en un ahorro de
aproximadamente US$ 4.5 millones.
✔✔ Muchos operadores de turbinas eólicas ahora utilizan
análisis predictivos para monitorear el estado de las
cajas de engranajes. El costo de la falla de la caja de
engranajes puede ascender a US$ 350,000 por incidente.
A pesar de estos y otros éxitos, los desafíos comerciales
y técnicos obstaculizan una adopción más amplia del mantenimiento predictivo en los BESS. Desde una perspectiva
empresarial, la industria del almacenamiento de energía es
relativamente joven. Por lo tanto, las prioridades y los presupuestos comerciales no siempre motivan la inversión en
métodos de ingeniería " blandos " , como el análisis de datos
y los servicios basados en la inteligencia artificial. El estado
naciente de la industria también significa datos reducidos
sobre patrones de fallas, en especial debido al intercambio
106

ieee power & energy magazine

limitado de conocimiento público, lo que dificulta el análisis de datos. Además, la presión para mantener el costo por
kilovatio hora lo más bajo posible significa menos inversión
en los sensores y la infraestructura necesarios para procesar
grandes volúmenes de datos.
En términos de desafíos técnicos, las técnicas de mantenimiento predictivo tienden a utilizarse para sistemas mecánicos en los que factores como el " desgaste " se pueden medir
y monitorear con facilidad. En el caso de los sistemas electrónicos, las prácticas predictivas pueden ser más difíciles
de aplicar. En lugar de desgastarse, es más probable que los
componentes electrónicos tengan un perfil de falla binario.
Un problema con un componente puede manifestarse en sentido descendente y provocar la falla de otro componente, lo
que requiere la recopilación de datos de varios puntos para
identificar una falla pendiente.
La implementación del monitoreo predictivo en el hardware del BESS convencional también es difícil debido a las
limitaciones en la disponibilidad del canal de comunicaciones y la capacidad de procesamiento de los dispositivos de
administración de batería/energía. En un BESS, el monitoreo predictivo implicaría procesar datos de los soportes
de las baterías y del sistema en general para identificar los
indicadores de falla. Idealmente, el BMS de un dispositivo
de almacenamiento de energía debería tener la capacidad de
ayudar en esta área. Sin embargo, no todos los BMS actuales
están diseñados para reconocer fallas que ocurren fuera de
los impactos inmediatos en la propia batería (por ejemplo,
celdas y módulos) y es posible que no tengan el rendimiento
para procesar todos los datos. El análisis predictivo también
debe depender de los datos del EMS para comprender el
comportamiento del sistema. Los EMS actuales a menudo
están destinados a despachar/controlar múltiples recursos de
la red y no incluyen las funciones de seguridad y monitoreo necesarias para gestionar BESS únicos o múltiples. Los
EMS a menudo carecen de comunicaciones directas con los
BMS, y es posible que toda detección de fallas por parte del
BMS no se comunique al EMS, lo que limita las acciones
preventivas de los gestores de redes. Los estándares actuales
no han abordado este problema.
Un enfoque de seguimiento diseñado correctamente para
los ESS operativos creará indicadores que pueden proporcionar características como las que se enumeran en la tabla
3. El objetivo general es claro: identificar los indicadores
de posibles fallas e intervenir de manera preventiva en un
noviembre/diciembre del 2020

IEEE Power & Energy Magazine - Spanish - November/December 2020

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - November/December 2020