Los resultados del experimento -informa la UPM- han permitido generar "modelos que predicen la Irradiancia Solar Global a corto plazo con tasas de error inferiores al 20%, lo que puede resultar muy útil a las compañías que operan las instalaciones de energía solar fotovoltaica y termosolar para estimar la capacidad de producción de sus instalaciones". Según la UPM, actualmente hay varios modos de estimar la Irradiancia Solar Global. A saber: predicciones numéricas basadas en la localización y el tiempo, complementadas con distintos modelos de corrección; los basados en imágenes de satélite, que registran la nubosidad y estiman las pérdidas en el modelo ideal; otros métodos, basados en series temporales; y otros, en Inteligencia Artificial. Y cada método, presenta unas ventajas e inconvenientes.
Por ejemplo -concretan desde la UPM-, la predicción basada en imágenes de satélite ha demostrado ser universal por ofrecer estimaciones para grandes extensiones geográficas; sin embargo, presenta el inconveniente de la disponibilidad de dichas imágenes para determinadas regiones del planeta y el pre-procesamiento de las imágenes, entre otros.
En el caso de las predicciones basadas en métodos numéricos, se estima la dinámica de la atmósfera de un modo realista mediante la asimilación de datos; sin embargo, garantizan la estabilidad general del pronóstico sobre eventos meteorológicos locales generados en cortas escalas espacio-temporales. Por otro lado, los métodos basados en Inteligencia Artificial desarrollados hasta ahora utilizaban tan sólo el histórico de datos endógenos, asociados al propio lugar de la predicción.
Pues bien, el estudio realizado por los investigadores de la UPM e Ineter se ha centrado en la hipótesis de que era posible mejorar el pronóstico a corto plazo de la Irradiancia Solar Global mediante la generación de modelos basados en Redes Neuronales Artificiales utilizando muchas variables meteorológicas de entrada, observadas tanto en el lugar de interés como en emplazamientos próximos y distribuidas tanto en el espacio como en el tiempo (se emplearon aproximadamente 900 variables).
Los resultados de la investigación evidencian la capacidad de los modelos desarrollados, basados en Redes Neuronales Artificiales, para capturar las relaciones tanto lineales como no lineales entre las distintas variables consideradas. Tal y como señalan los investigadores, “esto nos ha permitido predecir la Irradiancia Solar Global a corto plazo con una habilidad de pronóstico (forecast skill) significativa y un error medio cuadrático normalizado inferior al 20% respecto al resto de modelos basados en Redes Neuronales Artificiales. También nos ha permitido -continúan los científicos- identificar una relación entre las ventanas temporales de predicción de 1-3 horas y 4-6 horas respecto a la distancia de referencia de 55 kilómetros (representado con un circulo azul en la imagen), dejando abierta una línea de investigación para utilizar distintas distancias de referencia para distintas ventanas de predicción”.
El resultado de esta investigación tiene distintas aplicaciones, la más directa, en las compañías que operan las instalaciones de energía solar fotovoltaica/térmica para estimar la capacidad de producción de sus instalaciones, tal y como demanda la legislación vigente y las operadoras de los sistemas eléctricos nacionales. Tanto unas como otras las pueden usar para ser más eficientes en sus objetivos: maximizar el retorno de la inversión y ajustar las curvas de la oferta y la demanda también pronosticada de energía.
Referencia bibliográfica
Gutierrez-Corea, FV; Manso-Callejo, MA; Moreno-Regidor, MP; Manrique-Sancho, MT. Forecasting short-term solar irradiance based on artificial neural networks and data from neighboring meteorological stations. Solar Energy 134: 119-131. DOI: 10.1016/j.solener.2016.04.020. SEP 2016.
Tesis doctoral de Federico Vladimir Gutiérrez-Corea
«Predicción espacio-temporal de la irradiancia solar global a corto plazo en España mediante geoestadística y redes neuronales artificiales»
