Científicos peruanos desarrollan sistema inteligente para predecir pérdidas en paneles solares por suciedad

Científicos peruanos desarrollan sistema para estimar pérdidas por suciedad en paneles solares antes de su instalación

Un equipo de investigadores de la Universidad Nacional de San Agustín y la Pontificia Universidad Católica del Perú ha diseñado un innovador sistema autónomo capaz de calcular las pérdidas de energía ocasionadas por la acumulación de polvo en paneles fotovoltaicos (PV) antes de que estos sean instalados. Este avance combina inteligencia artificial y modelos eléctricos para ofrecer predicciones precisas y optimizar el rendimiento de las plantas solares.

El sistema, denominado *Incremental Neuroconductance*, integra una red neuronal artificial (ANN, por sus siglas en inglés) con un modelo eléctrico basado en el método de conductancia incremental, una técnica ampliamente utilizada para el seguimiento del punto de máxima potencia (MPPT) en sistemas fotovoltaicos. Este enfoque permite analizar las pérdidas energéticas diarias causadas por la suciedad en los paneles, reduciendo al mínimo los requisitos de mantenimiento.

Según los investigadores, este método no solo es útil para evaluar el impacto de la suciedad antes de la implementación de un proyecto, sino que también puede ser recalibrado y reentrenado para monitorear el rendimiento durante la operación de los sistemas solares. Además, es capaz de considerar variaciones espaciales en la acumulación de polvo y la degradación a largo plazo de los módulos fotovoltaicos.

### Pruebas y resultados

El sistema fue probado entre septiembre de 2020 y septiembre de 2021 utilizando un módulo fotovoltaico de silicio monocristalino de 5W, un convertidor DC-DC tipo SEPIC (Single-Ended Primary Inductance Converter), un piranómetro, sensores de temperatura del módulo y un procesador ARM Cortex-172 de 28 nm, encargado de ejecutar la ANN.

Durante las pruebas, el módulo solar fue limpiado mensualmente, y los datos recolectados en el primer mes sirvieron para entrenar la red neuronal con 14,000 mediciones distribuidas en 150 iteraciones. Por otro lado, el modelo eléctrico no requirió entrenamiento, ya que se basa únicamente en los datos medidos y las especificaciones técnicas del módulo.

Ambos enfoques demostraron ser efectivos para estimar la producción energética de un módulo limpio, aunque la ANN destacó por su menor costo computacional y su capacidad de adaptación. En términos de precisión, la ANN presentó un error porcentual absoluto medio (MAPE) de 0.5%, ligeramente mejor que el 0.6% del modelo eléctrico.

### Impacto de la suciedad

Los resultados del estudio revelaron que, con un cronograma de limpieza mensual, las pérdidas energéticas debido a la suciedad oscilaron entre el 4% y el 7% en la mayoría de los meses. Sin embargo, en periodos con actividades de construcción cercanas, las pérdidas llegaron a alcanzar hasta un 10%. Este hallazgo subraya la importancia de contar con herramientas que permitan prever y mitigar el impacto de la suciedad en los sistemas solares.

### Contribución al sector fotovoltaico

Los investigadores destacaron que el sistema *Incremental Neuroconductance* representa una solución robusta y flexible para evaluar las pérdidas por suciedad en módulos fotovoltaicos, lo que podría facilitar la planificación de cronogramas de mantenimiento más eficientes y mejorar el rendimiento general de las plantas solares.

El estudio completo, titulado “Incremental neuroconductance to analyze performance losses due to soiling in photovoltaic generators,” fue publicado en la revista científica *Energy Reports*. Este avance refuerza el compromiso de las instituciones peruanas con la innovación tecnológica en el sector de las energías renovables.

Fuente: https://www.pv-magazine.com/2025/01/22/new-method-to-estimate-soiling-losses-before-pv-project-implementation/