Puntos de referencia para los datos y métodos de la energía solar

Share

En el mundo en constante evolución de las aplicaciones de energía solar, el acceso a datos de irradiancia modelada precisos y fiables es crucial. Con frecuencia se utilizan datos de irradiancia modelada basados en productos satelitales y modelos numéricos de predicción meteorológica. Muchas de estas fuentes de datos son ofrecidas por proveedores institucionales o comerciales. Sin embargo, a los usuarios les resulta difícil y requiere mucho tiempo identificar de forma independiente el mejor proveedor para su aplicación y ubicación específicas.

Evaluación comparativa de datos solares
En nuestro informe de Tarea 16 “Worldwide Benchmark of Modelled Solar Irradiance Data” (Datos mundiales de referencia sobre la irradiancia solar modelizada) abordamos este reto. El informe presenta una evaluación comparativa de la irradiancia directa normal (DNI) derivada de modelos, así como de los datos de irradiancia horizontal global (GHI), que tiene en cuenta 129 emplazamientos distribuidos por todo el mundo en los que hay o se han instalado estaciones terrestres de medición de la radiación. Las estimaciones de DNI y GHI se comparan con observaciones de alta calidad de estas estaciones. Se analiza el rendimiento de los datos modelizados con respecto a distintas regiones y zonas climáticas. Este estudio ayuda a la industria solar a tomar decisiones mejor informadas sobre la evaluación de los recursos solares.

Creación de una base de datos de referencia
Se hicieron grandes esfuerzos para construir la base de datos de referencia. Finalmente hemos utilizado datos de 25 proveedores diferentes con 129 estaciones durante 2015-2020. En esta base de referencia solo se han tenido en cuenta datos de calidad garantizada mediante un amplio conjunto de mejores prácticas y procedimientos de control de calidad recientemente implementados. Estos incluyen pruebas de control de calidad de los datos, tanto automáticas como manuales, llevadas a cabo por un equipo de expertos dirigido por CSP Services GmbH para todas las estaciones, y dan lugar a indicadores que describen la calidad de cada sello de tiempo. La mayor parte de los datos de calidad controlada, que cubren todos los continentes y muchas zonas climáticas, se han publicado dentro de esta referencia.

Representación mundial
Uno de los puntos fuertes de este índice de referencia es su alcance mundial. Las 129 estaciones terrestres están distribuidas estratégicamente por todo el mundo, abarcando diversas regiones y zonas climáticas. Esta representación mundial incluye 31 estaciones en África, 31 en Asia, 27 en Norteamérica, 20 en Europa, 13 en Australia, 5 en Sudamérica e incluso 2 en la Antártida. Al abarcar un ámbito geográfico tan amplio, esta evaluación comparativa permite conocer el rendimiento de los datos derivados de modelos en diversas condiciones ambientales, desde los desiertos áridos hasta los extremos polares.

Evaluación de los datos obtenidos a partir de modelos
Se probaron diez modelos diferentes, aunque no todos proporcionan estimaciones para todas las estaciones. Entre otros parámetros estadísticos de rendimiento, se calculan la desviación media del sesgo, la desviación cuadrática media y la desviación estándar para cada año y por estación. Los resultados de la desviación media relativa del sesgo que afecta al GHI se muestran en la Figura 1.

Resultados de referencia
A partir de los resultados del análisis estadístico, el conjunto de datos más adecuado puede depender del lugar, el clima o el continente de interés. Los errores del modelo y las diferencias entre los distintos conjuntos de datos modelizados son mucho mayores para el DNI que para el GHI.

Figura 1: Desviación media relativa del sesgo (rMDB) para GHI y todas las estaciones y años. El color magenta indica resultados fuera del rango de la barra de colores. El tamaño del punto corresponde al número total de datapoints en los datos probados de 2015 a 2020.

Las mediciones de la irradiancia solar y las series temporales desempeñan un papel decisivo en la evaluación de los recursos solares, especialmente en el caso de las instalaciones fotovoltaicas medianas y grandes. No sólo representan la base de la evaluación y previsión del recurso solar, sino que también impulsan los estudios prospectivos de rendimiento fotovoltaico y pueden utilizarse como referencia de calibración al utilizar datos de satélite, evaluar el rendimiento de los sistemas fotovoltaicos o desarrollar algoritmos de previsión.

Desafío: la falta de datos
Sin embargo, estos conjuntos de datos presentan inevitablemente lagunas -períodos en los que faltan datos- como resultado de fallos durante el registro de datos, fallos de los sensores o procedimientos de comprobación de la calidad que pueden comprometer su aplicabilidad y valor. Otro problema es que las lagunas en los datos pueden aumentar aún más al calcular agregaciones temporales, sobre todo de medias intradiarias a diarias, diarias a mensuales y anuales, lo que degrada aún más el conjunto de datos.

Esto ha planteado la necesidad de métodos de rellenado de huecos que puedan postprocesar conjuntos de datos históricos estáticos o flujos de datos en tiempo real más dinámicos. Cada caso se caracteriza por restricciones diferentes, como el acceso a los datos que siguen a una determinada laguna de datos o el plazo aceptable para generar los datos sintéticos de sustitución.

Evaluación comparativa de los métodos de rellenado de huecos del GHI
En nuestro informe “Framework for Benchmarking of GHI Gap-Filling Methods” (Marco para la evaluación comparativa de los métodos de colmado de lagunas del GHI), dirigido por Mines Paris PSL, proponemos un marco de referencia para los métodos de rellenado de huecos y evaluamos un conjunto de posibles algoritmos de referencia para sumas intrahorarias y diarias de series temporales de GHI. Se han comparado cinco métodos para diferentes longitudes de huecos: Vecinos más próximos, interpolación lineal, dos enfoques de aprendizaje automático y uso de datos de satélite. Para intervalos cortos, la interpolación lineal funciona mejor, mientras que para intervalos más largos se sugiere el uso de datos de satélite.
Conclusión

Con acceso a parámetros estadísticos de rendimiento exhaustivos y a información sobre los errores de los modelos, los analistas pueden tomar decisiones informadas sobre qué proveedores de datos y modelos se ajustan a sus necesidades. Nuestros informes, publicados recientemente, sirven de guía para que los profesionales e investigadores del sector solar puedan comparar la incertidumbre de los datos y los modelos y, en última instancia, hacer avanzar este campo y promover soluciones energéticas sostenibles en todo el mundo.

Este artículo forma parte de una columna mensual del programa PVPS de la AIE. Ha sido elaborado por la Tarea 16 del programa PVPS de la AIE – Recurso solar para aplicaciones de alta penetración y a gran escala. Encontrará más información en los últimos informes de Task 16: https://iea-pvps.org/research-tasks/solar-resource-for-high-penetration-and-large-scale-applications/

Por Jan Remund, Meteotest AG, Suiza

The views and opinions expressed in this article are the author’s own, and do not necessarily reflect those held by pv magazine.

Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.

Popular content

“Para evitar incendios como el de la planta fotovoltaica Talaván en Cáceres, hay que endurecer las pruebas durante la fabricación de equipos”
23 julio 2024 Se cree que el incendio de la planta propiedad de Ellomay se originó en el fallo de un conductor eléctrico. Asier Ukar, director de la consultora Kiwa...