Previsión de energía solar

La previsión de energía solar es el proceso de recopilación y análisis de datos para predecir la generación de energía solar en varios horizontes temporales con el objetivo de mitigar el impacto de la intermitencia solar. Las previsiones de energía solar se utilizan para la gestión eficiente de la red eléctrica y para el comercio de energía. ^[1]

A medida que las principales barreras para la implementación de la energía solar, como el costo de los materiales y la baja eficiencia de conversión, siguen cayendo, los problemas de intermitencia y confiabilidad han pasado a primer plano. ^[2] El problema de la intermitencia se ha abordado y mitigado con éxito mediante la previsión solar en muchos casos. ^{[3] [4] [5]}

La información utilizada para el pronóstico de energía solar generalmente incluye la trayectoria del Sol , las condiciones atmosféricas , la dispersión de la luz y las características de la planta de energía solar .

En general, las técnicas de pronóstico solar dependen del horizonte de pronóstico.

• Nowcasting (previsión con 3 o 4 horas de antelación),
• Previsión a corto plazo (hasta siete días antes) y
• Previsión a largo plazo (semanas, meses, años)

Desde 1970 se han propuesto muchas metodologías de previsión de los recursos solares y la mayoría de los autores coinciden en que los distintos horizontes de previsión requieren metodologías diferentes. Los horizontes de previsión inferiores a una hora suelen requerir imágenes del cielo obtenidas desde tierra y series temporales sofisticadas y modelos de aprendizaje automático. Los horizontes intradiarios, que normalmente prevén valores de irradiancia con hasta 4 o 6 horas de antelación, requieren imágenes satelitales y modelos de irradiancia. Los horizontes de previsión superiores a 6 horas suelen depender de los resultados de los modelos de predicción numérica del tiempo (NWP). ^[6]

La previsión de energía solar a corto plazo se refiere a la predicción de la producción de energía solar en horizontes temporales de decenas a cientos de minutos de anticipación con una previsibilidad de hasta el 90 %. ^[7] Los servicios de previsión de energía solar suelen estar relacionados con resoluciones temporales de 5 a 15 minutos, con actualizaciones con una frecuencia de hasta un minuto.

La alta resolución requerida para técnicas precisas de predicción inmediata requiere una entrada de datos de alta resolución, incluidas imágenes terrestres, así como una rápida adquisición de datos de sensores de irradiancia y altas velocidades de procesamiento.

El pronóstico actual se mejora con frecuencia mediante, por ejemplo, técnicas estadísticas . En el caso del pronóstico actual, estas técnicas suelen basarse en el procesamiento de series temporales de datos de medición, incluidas las observaciones meteorológicas y las mediciones de potencia de salida de una instalación de energía solar. Lo que sigue es la creación de un conjunto de datos de entrenamiento para ajustar los parámetros de un modelo, antes de la evaluación del rendimiento del modelo frente a un conjunto de datos de prueba independiente. Esta clase de técnicas incluye el uso de cualquier tipo de enfoque estadístico, como promedios móviles autorregresivos (ARMA, ARIMA, etc.), así como técnicas de aprendizaje automático como redes neuronales , máquinas de vectores de soporte (etc.). ^[8]

Un elemento importante de la previsión de energía solar a corto plazo son las observaciones del cielo desde tierra y básicamente todos los pronósticos intradiarios. ^[9]

Las previsiones a corto plazo permiten realizar predicciones con hasta siete días de antelación. Debido a la regulación del mercado eléctrico en muchas jurisdicciones, las previsiones intradiarias y las previsiones de energía solar con un día de antelación son los horizontes temporales más importantes en esta categoría. Básicamente, todos los métodos de previsión a corto plazo de gran precisión aprovechan varios flujos de entrada de datos, como variables meteorológicas, fenómenos meteorológicos locales y observaciones terrestres, junto con modelos matemáticos complejos.

Para las previsiones intradiarias, la información local sobre las nubes se obtiene mediante uno o varios captadores de imágenes del cielo basados ​​en tierra a alta frecuencia (1 minuto o menos). La combinación de estas imágenes y la información de las mediciones meteorológicas locales se procesan para simular los vectores de movimiento de las nubes y la profundidad óptica para obtener previsiones con hasta 30 minutos de antelación. ^[10]

Estos métodos aprovechan los diversos satélites geoestacionarios de observación meteorológica de la Tierra (como la flota Meteosat de segunda generación (MSG) ) para detectar, caracterizar, rastrear y predecir las futuras ubicaciones de la cobertura de nubes . Estos satélites permiten generar pronósticos de energía solar en amplias regiones mediante la aplicación de algoritmos de procesamiento de imágenes y pronóstico . Algunos algoritmos de pronóstico basados ​​en satélites incluyen vectores de movimiento de nubes (CMV) ^[11] o enfoques basados ​​en líneas de corriente . ^[12]

La mayoría de los métodos de predicción a corto plazo utilizan modelos numéricos de predicción meteorológica (NWP) que proporcionan una estimación importante de la evolución de las variables meteorológicas. Los modelos utilizados incluyen el Sistema de Predicción Global (GFS) o los datos proporcionados por el Centro Europeo de Predicción Meteorológica a Plazo Medio ( ECMWF ). Estos dos modelos se consideran el estado del arte de los modelos de predicción global, que proporcionan previsiones meteorológicas en todo el mundo.

Para aumentar la resolución espacial y temporal de estos modelos, se han desarrollado otros modelos que generalmente se denominan modelos de mesoescala. Entre otros, HIRLAM , WRF o MM5 . Dado que estos modelos NWP son altamente complejos y difíciles de ejecutar en computadoras locales, estas variables generalmente se consideran como entradas exógenas a los modelos de irradiancia solar y se ingieren desde el proveedor de datos respectivo. Los mejores resultados de pronóstico se logran con la asimilación de datos .

Algunos investigadores abogan por el uso de técnicas de post-procesamiento, una vez obtenidos los datos de salida de los modelos, con el fin de obtener un punto de vista probabilístico de la precisión de los datos de salida. Esto se hace habitualmente con técnicas de conjunto que mezclan diferentes datos de salida de distintos modelos perturbados en valores meteorológicos estratégicos y finalmente proporcionan una mejor estimación de esas variables y un grado de incertidumbre, como en el modelo propuesto por Bacher et al. (2009).

La previsión a largo plazo suele referirse a técnicas de previsión aplicadas a horizontes temporales del orden de semanas a años. Estos horizontes temporales pueden ser relevantes para que los productores de energía negocien contratos con entidades financieras o empresas de servicios públicos que distribuyan la energía generada.

En general, estos horizontes de pronóstico a largo plazo suelen basarse en modelos climatológicos y de predicción numérica del tiempo. Además, la mayoría de los métodos de pronóstico se basan en modelos de mesoescala alimentados con datos de reanálisis como entrada. Los resultados también se pueden posprocesar con enfoques estadísticos basados ​​en datos medidos. Debido a que este horizonte temporal es menos relevante desde una perspectiva operativa y mucho más difícil de modelar y validar, solo alrededor del 5% de las publicaciones sobre pronóstico solar consideran este horizonte.

A continuación, cualquier resultado de un modelo debe convertirse en la energía eléctrica que producirá una planta solar fotovoltaica en particular. Este paso se realiza normalmente con métodos estadísticos que intentan correlacionar la cantidad de recursos disponibles con la potencia medida. La principal ventaja de estos métodos es que el error de predicción meteorológica, que es el componente principal del error global, puede reducirse teniendo en cuenta la incertidumbre de la predicción.

Como se ha mencionado anteriormente y se detalla en Heinemann et al. , estos enfoques estadísticos comprenden desde modelos ARMA, redes neuronales, máquinas de vectores de soporte, etc. Por otro lado, también existen modelos teóricos que describen cómo una planta de energía convierte el recurso meteorológico en energía eléctrica, como se describe en Alonso et al. La principal ventaja de este tipo de modelos es que cuando se ajustan, son realmente precisos, aunque son demasiado sensibles al error de predicción meteorológica, que suele ser amplificado por estos modelos. Los modelos híbridos, finalmente, son una combinación de estos dos modelos y parecen ser un enfoque prometedor que puede superar a cada uno de ellos individualmente.

Portal de energía

• Previsión energética

• Proyectos de previsión solar y eólica, por el Laboratorio Nacional de Energías Renovables (NREL).