No podrás conectarte si excedes diez intentos fallidos.
La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.
Selecciona el tuyo:
Investigadores de las universidades Carlos III de Madrid y de Jaén han presentado un sistema de predicción de la radiación solar en la península ibérica que reduce hasta en un 30 % el error en los pronósticos. Los resultados pueden ayudar a un mejor aprovechamiento de la energía solar en este territorio.
Científicos de la Universidad Carlos III de Madrid (UC3M) y la Universidad de Jaén (UJA) han desarrollado una combinación óptima de los modelos de predicción de radiación solar, de tal forma que se consigue reducir entre un 25 % y un 30 % el error en los pronósticos a corto plazo (6 horas).
El proyecto se ha centrado en la mejora del pronóstico de la radiación solar en la península ibérica a corto plazo, en escalas de minutos a horas y días, que resulta de gran interés para las instalaciones solares.
En concreto, se analizaron cinco tipos de modelos distintos: basados en cámaras de nubes, en medidas, en imágenes satelitales, en predicción meteorológica y un híbrido de estos dos últimos. Para ello, se seleccionaron cuatro estaciones meteorológicas, situadas en Sevilla, Lisboa, Madrid y Jaén, como zonas representativas para la evaluación.
A lo largo de dos años, ambos grupos de investigación han dividido su trabajo en dos partes. Por un lado, el Grupo de Computación Evolutiva y Redes Neuronales (EVANNAI) de la UC3M, se ha centrado en aplicar técnicas de inteligencia artificial para seleccionar el mejor modelo o combinación de modelos para cada situación meteorológica, localización y horizonte temporal, así como para obtener intervalos de predicción para estimar la incertidumbre de las predicciones.
Por otro lado, el Grupo de Modelización de la Atmósfera y Radiación Solar (MATRAS) de la UJA se ha centrado en la elaboración y mejora de distintos métodos de predicción de la radiación solar, para lo que han utilizado distintas metodologías, como cámara de nubes, imágenes de satélite y modelos meteorológicos.
El resultado más impactante obtenido en la investigación es que la combinación óptima de los modelos rebaja la predicción de error en torno a un 30 % respecto al mejor de los modelos en cada horizonte temporal.
“Es la primera vez que se comparan cinco modelos independientes y gracias a la inteligencia artificial y al tratamiento matemático hemos logrado reducir el margen de error en cada horizonte de predicción, lo que supone un ahorro económico porque disminuye el coste de integración de la energía solar”, explica el coordinador del proyecto, David Pozo, catedrático de Física Aplicada de la UJA.
“El uso de la inteligencia artificial y, en particular, de técnicas de aprendizaje automático (machine learning) permiten integrar las predicciones de los diferentes modelos de manera automática y eficiente, siendo el propio modelo el encargado de proporcionar la mejor predicción para cada horizonte temporal", explican los responsables del estudio en la UC3M, Inés M. Galván y Ricardo Aler, profesores titulares del Departamento de Informática.
Además –añaden–, el uso de técnicas de optimización evolutiva permite cuantificar la incertidumbre existente para cada una de las predicciones. La incorporación de estas nuevas técnicas en el contexto de energías renovables ha permitido obtener importantes mejoras en la predicción respecto a las técnicas de partida”.
Los investigadores han determinado el momento del horizonte temporal en el que cada modelo es más fiable, como por ejemplo ocurre con el uso de imágenes satélite durante las dos o tres primeras horas, o con la utilización del modelo numérico de predicción meteorológica a partir de la cuarta o quinta hora. Y, entre otras cosas, también han concluido que el pronóstico cerca de las zonas costeras es muy difícil incluso en el margen de una hora.
Parte del estudio ha sido publicado en dos artículos en la revista científica Solar Energy, y otra parte está en proceso de revisión en otras revistas. El proyecto ha contado con financiación del Ministerio de Economía y Competitividad, y la colaboración de la Facultad de Ciencias de la Universidad de Lisboa y Abengoa Solar.
Referencias bibliográficas:
Rodríguez-Benítez, F. J., Arbizu-Barrena, C., Huertas-Tato, J., Aler-Mur, R., Galván-León, I., & Pozo-Vázquez, D. (2020). A short-term solar radiation forecasting system for the Iberian Peninsula. Part 1: Models description and performance assessment. Solar Energy, 195, 396-412.
Huertas-Tato, J., Aler, R., Galván, I. M., Rodríguez-Benítez, F. J., Arbizu-Barrena, C., & Pozo-Vázquez, D. (2020). A short-term solar radiation forecasting system for the Iberian Peninsula. Part 2: Model blending approaches based on machine learning. Solar Energy, 195, 685-696.