Investigadores de la Universidad Politécnica de Madrid y del Instituto Nicaragüense de Estudios Territoriales han desarrollado una técnica para realizar predicciones precisas de la irradiancia solar global a corto plazo (GSI) utilizando redes neuronales artificiales (ANN).

El estudio introduce una nueva metodología basada en observaciones realizadas en paralelo por sensores vecinos y valores para múltiples variables (temperatura, humedad, presión, viento y otras estimaciones). Se llevaron a cabo experimentos utilizando redes neuronales artificiales con diferentes arquitecturas y parámetros con el fin de determinar cuál de ellas generaba las mejores predicciones para los distintos períodos de tiempo estudiados.

Los resultados permitieron a los investigadores desarrollar modelos que predicen el GSI a corto plazo con tasas de error inferiores al 20 por ciento. Esto podría ser útil para las empresas que gestionan tanto plantas de energía solar fotovoltaica como plantas termosolares para estimar la capacidad de producción de sus instalaciones.

Un gran desafío de la sociedad moderna es el uso eficiente de los recursos naturales y la minimización del impacto ambiental debido al aumento de la demanda y el consumo de energía. Por lo tanto, energía renovable, especialmente la energía solar, se ha convertido en una solución a largo plazo con mayor potencial de menor impacto.

En particular, la energía solar fotovoltaica se puede conectar a redes de transporte y distribución, pero requiere que la oferta y la demanda de energía se gestionen adecuadamente. Por lo tanto, Se requiere la predicción de GSI en unas pocas horas y con una tasa de error mínima para estimar la producción de energía esperada.

Se utilizan varios métodos para estimar la irradiancia solar global, incluidas predicciones numéricas basadas en ubicaciones y tiempo complementadas con diversos modelos de corrección, métodos basados ​​en imágenes de satélite que registran la nubosidad y estiman las pérdidas en el modelo ideal. Otros modelos se basan en series de tiempo o inteligencia artificial. Cada método tiene ventajas y desventajas. Por ejemplo, la predicción basada en satélites ha demostrado ser universal, ya que proporciona estimaciones para grandes áreas geográficas. Sin embargo, depende de la disponibilidad de tales imágenes para ciertas regiones del planeta y del preprocesamiento de las imágenes, entre otras cosas.

En el caso de predicciones basadas en métodos numéricos, la dinámica de la atmósfera se estima de forma realista mediante la asimilación de datos. Sin embargo, garantizan la estabilidad general del pronóstico sobre eventos meteorológicos locales. Hasta aquí, los métodos basados ​​en inteligencia artificial solo utilizan las variables de entrada endógenas asociadas con el sitio de la predicción.

El estudio realizado por investigadores de la UPM e INETER se centró en la hipótesis de que era posible mejorar la previsión a corto plazo de la irradiancia solar global mediante la generación de modelos basados ​​en redes neuronales artificiales utilizando hasta 900 entradas que muestran la evolución de variables en un contexto espacio-temporal cercano.

Los resultados de la investigación muestran la capacidad de los modelos desarrollados basados ​​en redes neuronales artificiales para identificar relaciones tanto lineales como no lineales entre las variables. Los autores escriben, "Esto nos ha permitido predecir la irradiancia solar global a corto plazo con una habilidad de pronóstico significativa y un error cuadrático medio normalizado inferior al 20 por ciento en comparación con el resto de modelos basados ​​en redes neuronales artificiales. Además, los métodos desarrollados nos han permitido identificar una relación entre las predicciones a través de una ventana deslizante de tiempo de una a tres horas y de cuatro a seis horas con respecto a la distancia de referencia de 55 km. Esto puede llevar a una línea de investigación a utilizar diversas distancias de referencia para diferentes ventanas de control deslizante de predicción ".

Estos resultados tienen aplicaciones para las empresas que gestionan tanto plantas de energía solar fotovoltaica como plantas termosolares para estimar la capacidad de producción de sus instalaciones como exige la legislación vigente, y los operadores de sistemas eléctricos nacionales. Ambos campos pueden utilizar estos métodos para lograr sus objetivos de manera más eficiente, maximizar el retorno de la inversión y ajustar la curva de oferta y demanda.