Suscríbete al boletín semanal

Recibe cada semana los contenidos más relevantes de la actualidad científica.

Agencia Sinc
Si estás registrado

No podrás conectarte si excedes diez intentos fallidos.

Si todavía no estás registrado

La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.

Selecciona el tuyo:

Periodistas Instituciones

Nuevo sistema para predecir mejor la producción de energía solar

Investigadores de la Universidad de Málaga han creado una herramienta que rebaja un 25% el error de predicción de la radiación solar a corto plazo respecto a los métodos actuales. El avance permitirá a las compañías fotovoltaicas un mejor control de la producción de sus centrales.

El nuevo sistema permite conocer la electricidad que producen las centrales fotovoltaicas con mayor precisión. / Fundación Descubre

El grupo de Grupo de Investigación y Aplicaciones de Inteligencia Artificial de la Universidad de Málaga ha desarrollado un modelo más preciso para predecir la cantidad de energía que recibirán las centrales fotovoltaicas, lo que permite conocer la electricidad que producirán. El método se basa en inteligencia artificial y reduce en un 25% el error de los actuales sistemas, basados en variables meteorológicas.

Hasta el momento, la radiación solar que llegará a la tierra se estima con imágenes de satélite y con distintos tipos de modelos físicos de la atmósfera, que tienen en cuenta parámetros como el nivel de nubosidad, la humedad o la inclinación del terreno. Una vez obtenida la información, se extrapola a otras situaciones similares, pero con un margen de error que puede llegar al 35%. Esto supone un problema para el sector eléctrico, ya que las empresas están obligadas a informar sobre la cantidad exacta de energía que producirán en sus instalaciones con una antelación de un día.

El nuevo modelo más preciso está basado en inteligencia artificial y métodos estadísticos

En este contexto los expertos de la Universidad de Málaga han desarrollado un nuevo modelo más preciso basado en inteligencia artificial y métodos estadísticos. Para su funcionamiento, la herramienta tiene en cuenta los parámetros meteorológicos de múltiples ubicaciones. A esta ventaja se suma que ‘aprende’ conforme va procesando los datos, lo que disminuye el margen de error.

En concreto, en el artículo publicado en la revista Solar Energy, los expertos demuestran que con este nuevo sistema matemático, se reduce a un 10% el error en los resultados obtenidos para un determinado tipo de días, lo que supone una reducción relativa del error del 25% respecto a métodos físicos tradicionales.

En este trabajo, los investigadores han utilizado además las predicciones que se realizan desde distintos servicios ya existentes. Han mejorado la información que se obtiene al ofrecer datos de manera individual para cada zona geográfica, en tiempos concretos y, por tanto, con mejor fiabilidad en los resultados.

Los estudios comenzaron en Málaga, utilizando los registros extraídos de la Agencia Estatal de Meteorología y otras estaciones integradas en el Subsistema de Información de Climatología Ambiental (CLIMA). Poco a poco han ido sumando distintas localidades, confirmando que el sistema realiza un ajuste de los pronósticos de manera individualizada según el lugar, analizando mayor volumen de datos y ofreciendo una desviación de entre el 10 y el 20%.

Herramienta para el sector

Según la legislación vigente, Red Eléctrica Española calcula la desviación hora a hora y día a día entre las previsiones y el rendimiento real. El productor deberá pagar una penalización por todos esos desvíos acumulados, ya sean por exceso o por defecto. Por tanto, uno de los objetivos que persiguen las eléctricas actualmente es la obtención de un sistema que minimice las diferencias en sus predicciones y poder conseguir una mayor rentabilidad en su producción, sin costes añadidos.

“A través de esta herramienta, de uso libre y disponible en un breve plazo de tiempo en la web del grupo, los productores de energía podrán predecir de una manera más eficiente la cantidad de energía generada en sus instalaciones, lo que les evitará sanciones por las desviaciones que actualmente sufren”, indica Llanos Mora, investigadora de la Universidad de Málaga y coautora del artículo.

Este sistema se retroalimenta de cada nueva circunstancia que se va introduciendo en cualquier momento

El sistema se retroalimenta de cada nueva circunstancia que se introduzca en algún momento determinado. Esto implica que ‘aprende’ de las operaciones anteriores y modifica sus algoritmos de predicción con la nueva información aportada a sus bases de datos.

El proceso que utilizan para su estudio se basa en la utilización de técnicas de minería de datos, que permiten trabajar con un gran volumen de información y generar patrones y algoritmos desconocidos anteriormente de manera automática. Es decir, no es necesaria una referencia de la realidad, ya que el propio sistema crea todas las posibilidades que pueden sucederse, ‘auto-alimentándose’ cada vez que se introduce un nuevo dato y recalculando nuevas probabilidades. Esto permite el análisis simultáneo de grupos de registros complejos, anticipar cualquier anomalía que pueda darse o calcular las dependencias que se creen entre diversas variables.

A medida que se vayan sumando a la herramienta nuevas localizaciones, el sistema volverá a programar de manera autónoma los pronósticos, por lo que el error irá disminuyendo según aumenta la información contenida. “El resultado es reflejo de la importancia de la minería de datos, la inteligencia artificial y el aprendizaje computacional aplicado a todos los aspectos de nuestra vida cotidiana. En este trabajo se suman y se benefician todas estas áreas, además de la meteorología y la energía, de manera simultánea”, concluye la investigadora.

El estudio ha sido financiado por la Consejería de Economía y Conocimiento de la Junta de Andalucía a través de los proyectos Integración de modelos de aprendizaje automático y tecnologías OPC para la evaluación y predicción de la producción de sistemas fotovoltaicos y Modelos para la evaluación de la influencia de la distribución espectral y de la temperatura en el rendimiento de módulos fotovoltaicos.

Referencia bibliográfica:

Pedro F. Jiménez Pérez, Llanos Mora López. "Modeling and forecasting hourly global solar radiation using clustering and classification techniques". Solar Energy, 2016.

Fuente: Fundación Descubre
Derechos: Creative Commons
Artículos relacionados