Investigadores chinos optimizan la refrigeración de paneles solares en edificios con inteligencia artificial y materiales innovadores

Un equipo de investigadores en China ha estudiado el impacto del uso de materiales de cambio de fase (PCM, por sus siglas en inglés) para mejorar la refrigeración de los paneles fotovoltaicos integrados en edificios (BIPV). Además, han desarrollado un método basado en redes neuronales artificiales (RNA) para predecir la temperatura de estos sistemas, logrando resultados más precisos que los métodos anteriores.

Los PCM son materiales capaces de absorber, almacenar y liberar grandes cantidades de calor latente en rangos de temperatura específicos, lo que los convierte en una opción prometedora para la refrigeración de módulos fotovoltaicos y el almacenamiento de energía térmica. Aunque su uso ha sido mayormente experimental, su potencial para mejorar la eficiencia de los sistemas BIPV es significativo.

Según los investigadores, las redes neuronales artificiales son herramientas poderosas para modelar sistemas complejos, como los que involucran la interacción entre los paneles fotovoltaicos y los PCM. «Las RNA son especialmente útiles para capturar las relaciones intrincadas dentro de grandes conjuntos de datos, lo que permite una modelización más precisa de los factores que afectan el rendimiento de los sistemas PV-PCM», explicaron los científicos.

En su estudio inicial, los investigadores crearon un modelo numérico de un sistema BIPV utilizando un módulo fotovoltaico de silicio policristalino. Este módulo incluía una capa de vidrio de 3 mm, una capa de encapsulante de etilvinilacetato (EVA) de 0,5 mm y una cámara de aluminio de 0,5 mm rellena con PCM para la refrigeración. El sistema tenía una eficiencia nominal del 17,5% a una temperatura de referencia de 25 °C. Las simulaciones se realizaron utilizando datos de irradiación y temperatura ambiente de la ciudad de Jiangsu, China, correspondientes al 15 de octubre de 2022.

Los resultados mostraron que la diferencia máxima en la eficiencia eléctrica entre los sistemas con y sin PCM fue del 2,17%, observada a las 13:55 horas, mientras que la diferencia mínima fue del 0,1%, registrada a las 16:00 horas.

Tras obtener estos resultados, los investigadores desarrollaron un método de predicción basado en RNA utilizando el algoritmo de manejo de datos en grupo (GMDH). Este modelo de red neuronal de múltiples capas fue entrenado con 56 puntos de datos obtenidos del modelo numérico y probado con 24 puntos adicionales. Los resultados fueron prometedores, con un coeficiente de correlación (R²) de 0,97602, un error cuadrático medio (RMSE) de 1,483 y un error cuadrático medio (MSE) de 2,22.

A pesar de los buenos resultados, los científicos señalaron que el modelo actual solo puede predecir el rendimiento del sistema en un día específico. Por lo tanto, futuras investigaciones se centrarán en desarrollar un modelo capaz de predecir el comportamiento del sistema a lo largo de todo el año.

El estudio, titulado «Forecasting the temperature of a building-integrated photovoltaic panel equipped with phase change material using artificial neural network», fue publicado en la revista *Case Studies in Thermal Engineering*. Los investigadores provienen de la Universidad de Tecnología Profesional de Software de Jiangxi, la Estación de Investigación Postdoctoral de Aheadsoft Software y el Instituto de Tecnología de Huaiyin, todos en China.

Este avance representa un paso importante hacia la mejora de la eficiencia de los sistemas BIPV, lo que podría tener un impacto significativo en la integración de energías renovables en edificios.

Fuente: https://www.pv-magazine.com/2024/10/24/new-model-to-assess-performance-of-building-integrated-photovoltaics-based-on-pcm/