Científicos en España desarrollan algoritmo para mejorar la predicción de irradiancia solar en plantas fotovoltaicas

Científicos en España desarrollan técnica semi-online para pronosticar irradiancia solar a corto plazo en plantas fotovoltaicas

Investigadores de la Universidad de Sevilla han diseñado un innovador algoritmo de aprendizaje automático que permite predecir la irradiancia solar a muy corto plazo en plantas fotovoltaicas. Este avance se basa en el análisis de la correlación temporal y espacial del movimiento de las nubes, utilizando datos de sensores distribuidos en diferentes puntos de la planta.

La predicción a corto plazo de la irradiancia solar es crucial para optimizar la producción de energía en tiempo real, ajustar los precios de la electricidad y prevenir sobrecargas en el sistema. Además, en un contexto regulatorio cada vez más exigente, muchos países ya requieren que los generadores de energía eólica y solar ofrezcan servicios auxiliares, esenciales para la operación segura y confiable de los sistemas eléctricos.

El equipo de investigación utilizó un conjunto de datos proveniente de una planta solar de 5 MW ubicada en Alderville, Canadá. Los datos, obtenidos de 24 paneles fotovoltaicos, registraban la irradiancia cada milisegundo en días con condiciones de nubosidad variable y muy variable. Los investigadores se centraron en horizontes de predicción de 15 y 30 segundos, realizando un análisis de correlación entre los paneles para comprender cómo las nubes afectaban la irradiancia en diferentes puntos de la planta.

«Los paneles cercanos presentan una mayor correlación, ya que están influenciados por los mismos patrones de nubes, mientras que los paneles más alejados en la dirección del viento muestran correlaciones más bajas debido a su posición en el gradiente de evolución de las nubes», explicaron los científicos.

Una vez analizadas las correlaciones y los desfases temporales, los datos fueron procesados mediante tres técnicas de aprendizaje automático: eXtreme Gradient Boosting (XGB), Light Gradient Boosting Machine (LGBM) y Random Forest (RF). El sistema se denomina «semi-online» porque la inferencia se realiza en tiempo real, pero el entrenamiento del modelo no se actualiza con cada nuevo dato, sino que se entrena en pequeños lotes de datos.

Los resultados mostraron que el modelo LGBM ofreció un rendimiento ligeramente superior en comparación con XGB y RF, aunque las diferencias no fueron significativas. En un día con alta variabilidad de nubosidad, el error porcentual absoluto medio (MAPE) fue de 4.411 en el escenario más desfavorable (predicción de 30 segundos en un grupo de paneles ubicado a favor del viento) y de 2.483 en el escenario más favorable (predicción de 15 segundos en un grupo de paneles a contraviento).

De cara al futuro, los investigadores planean explorar hasta qué punto el sistema puede ofrecer predicciones precisas y cómo responde ante cambios bruscos en la dirección del viento.

Este trabajo ha sido publicado en la revista *International Journal of Electrical Power and Energy Systems* bajo el título «Semi-real-time decision tree ensemble algorithms for very short-term solar irradiance forecasting».

Para más información o consultas sobre la reutilización de este contenido, puedes contactar a los editores en: editors@pv-magazine.com.

Fuente: https://www.pv-magazine.com/2024/09/25/semi-online-tech-for-short-term-solar-irradiance-forecast-in-pv-plants/