Notes#

  • Retomamos el proyecto

  • En primer lugar, debemos genera un análisis de un año de datos

  • Para ello debemos recordar cuál era el pipeline que desarrollamos el año pasado, el cual incluía estos pasos:

    • Desde el log se realiza un split por ciclos (up + down) y se reemplazan las comas por puntos

  • Periodo de análisis: 25-10-2024 al 31-10-2024

    • En la gráfica de conteo de datos por columna notar que existen varios clusters donde faltan datos, consultar acerca de esto a Omar, principalmente por la zona centrada en marzo y la zona entre julio y agosto
      • Omar sospecha que la falta de datos de marzo se debe al cambio de acceso point donde se tuvo que reiniciar la estación varias veces.
    • Podemos reportar 2 gráficas: cantidad de datos disponibles respecto a la fecha, e histograma para dar cuenta de que la cantidad de fechas donde se dispone con los 9 valores es considerablemente mayor que el resto de situaciones donde faltan datos.

  • Idea para operativización: el modelo (a single script) recibe como input el log de las celdas y un rango de fechas (periodo de análisis), luego, se ejecutan stripFromTo.sh y splitCycles.sh, esto prepara un directorio con un archivo de texto correspodiente a cada ciclo (2 barridos). Luego estos archivos son leidos por code3.2.ipynb donde se calculan los parámetros fotovoltáicos de ambas celdas y se acoplan, en un pkl, a los parámetros meteorológicos de aws_UV (datetime-index)

  • Una buena noticia es que la gráfica semanal obtenida con este nuevo pipeline es idéntica a la que se obtuvo el año pasado

Gráficas#

  1. Muestra de una semana: Parámetros fotovoltáicos y condiciones meteorológicas (aws-UV) durante una semana seleccionada desde el periodo de estudio tal que sea representativa de las diferentes curvas de irradiancia presentes en dicho periodo

    • Eficiencia, Irradiancia, Potencia (PCE), Temperatura, Humedad relativa
    • Ambas celdas en la misma gráfica

  2. Correlaciones: una gráfica para cada celda, mostrando las correlaciones entre parámetros meteorológicos y fotovoltáicos

    • Quizás hacerla con seaborn, lo importante es que sea visualmente amigable, porque la info está contenida en el coeficiente de correlación

  3. Degradación (i): scatter potencia vs irradiancia con color indicando el tiempo (en meses)

    • Esta gráfica no es tan directa de interpretar, quizás sería útil tener una gráfica adicional que muestre directamente la degradación en función del tiempo (para ello la siguiente gráfica)

  4. Degradación (ii): degradación de la celda en función del tiempo

    • Una idea es usar el PCE máximo de cada día y normalizar respecto al valor inicial, donde suponemos que la celda no tiene degradación alguna
      • Notar que debemos aplicar alguna máscara o criterio adicional para así tomar en cuenta que no todos los días tienen la misma irradiancia máxima
    • Confirmar en la literatura
    • Gemini

  5. Meteorología diaria: Aggregates sobre las horas del día para visualizar el comportamiento promedio de la irradiancia, temperatura, humedad relativa y el PCE de ambas celdas

Pipeline#

  1. log: archivo de texto con la información de cada ciclo. Uno para cada celda

    • Fecha y hora
    • Sentido: up, down
    • Voltaje y corriente

  2. stripFromTo.sh: Genera un archivo de texto con el mismo formato de log pero entre las 2 fechas que son los argumento de este script

  3. SplitCycles.sh: Genera archivos independientes para cada ciclo (barridos up y down)

  4. celda1_Ncliclos.pkl y celda2_Ncliclos.pkl: Contienen las variables fotovoltáicas (PV) correspondientes a los N ciclos del periodo de estudio, para cada celda individualmente. Más la radiación solar

    • Voc_up, Jsc_up, JMax_up, Vmax_up, PCE_up, FF_up
    • Voc_dw, Jsc_dw, Jmax_dw, Vmax_dw, PCE_dw, FF_dw
    • HI

  5. CombinedCells.pkl: Merge entre las variables fotovoltáicas de ambas celdas, más una columna para la radiación solar

    • Radiación solar en unidades $10\cdot W/m^2=\text{mW}/cm^2$
    • date UTC-3
    • $\Delta T=$ 10min
    • Para un mismo ciclo, hay 20s de diferencia entre cada celda

  6. Met-PV_params.pkl: Generado a partir de un merge entre la data de la estación y CombinedCells.pkl

    • Este es un merge por índice (fecha y hora) más cercano
    • Voc_up, Jsc_up, JMax_up, Vmax_up, PCE_up, FF_up
    • Voc_dw, Jsc_dw, Jmax_dw, Vmax_dw, PCE_dw, FF_dw
    • HI
    • SolarRad, Temperature, rh, DewPoint, WindDir, WindSpeed, GustSpeed, Pressure, Rain

  7. PlotMaker.ipynb: Genera gráficas a partir del archivo Met-PV_params.pkl

Notes:

  • Los timestamps de las celdas están en UTC-3, pero la estación está en UTC
    • En pandas tienes index que son UTC-aware y otros UTC-naive, incompatibles
  • Recuerda que en mis códigos estamos trabajando la irradiancia en mW/cm^2

Website#