El pronóstico 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 una 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, continúan 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 la previsión de energía solar suele incluir la trayectoria del Sol , las condiciones atmosféricas , la dispersión de la luz y las características de la planta de energía solar .
Generalmente, las técnicas de previsión solar dependen del horizonte de previsión.
Desde 1970 se han propuesto muchas metodologías de previsión de recursos solares y la mayoría de los autores coinciden en que diferentes horizontes de previsión requieren diferentes metodologías. Los horizontes de pronóstico inferiores a 1 hora generalmente requieren imágenes del cielo terrestres y series temporales sofisticadas y modelos de aprendizaje automático. Los horizontes intradiarios, que normalmente pronostican valores de irradiancia con una antelación de hasta 4 o 6 horas, requieren imágenes de satélite y modelos de irradiancia. Los horizontes de pronóstico superiores a 6 horas generalmente dependen de los resultados de los modelos de predicción numérica del tiempo (PNT). [6]
La previsión inmediata de la energía solar se refiere a la predicción de la producción de energía solar en horizontes temporales de decenas a cientos de minutos antes de tiempo con hasta un 90% de previsibilidad. [7] Los servicios de predicción inmediata de la energía solar suelen estar relacionados con resoluciones temporales de 5 a 15 minutos, con actualizaciones tan frecuentes como cada minuto.
La alta resolución necesaria para las técnicas de predicción inmediata requiere una entrada de datos de alta resolución, incluidas imágenes terrestres, así como una rápida adquisición de datos a partir de sensores de irradiancia y altas velocidades de procesamiento.
La predicción actual real suele mejorarse, por ejemplo, mediante técnicas estadísticas . En el caso de la predicción inmediata, estas técnicas suelen basarse en el procesamiento de series temporales de datos de medición, incluidas observaciones meteorológicas y mediciones de la producción de energía de una instalación de energía solar. Lo que luego sigue es la creación de un conjunto de datos de entrenamiento para ajustar los parámetros de un modelo, antes de evaluar el rendimiento del modelo frente a un conjunto de datos de prueba separado. 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 predicción inmediata de la energía solar son las observaciones del cielo desde tierra y básicamente todos los pronósticos intradiarios. [9]
La previsión a corto plazo proporciona predicciones con hasta siete días de antelación. Debido a la regulación del mercado energético en muchas jurisdicciones, los pronósticos intradiarios y los pronósticos diarios de energía solar son los horizontes temporales más importantes en esta categoría. Básicamente, todos los métodos de pronóstico a corto plazo altamente precisos aprovechan varios flujos de entrada de datos, como variables meteorológicas, fenómenos meteorológicos locales y observaciones terrestres, junto con modelos matemáticos complejos.
Para los pronósticos intradiarios, la información de las nubes locales es adquirida por uno o varios generadores de imágenes del cielo terrestres a alta frecuencia (1 minuto o menos). La combinación de estas imágenes y la información de medición del clima local se procesa para simular los vectores de movimiento de las nubes y la profundidad óptica para obtener pronósticos con hasta 30 minutos de anticipación. [10]
Estos métodos aprovechan los diversos satélites meteorológicos geoestacionarios de observación de la Tierra (como la flota Meteosat de segunda generación (MSG) ) para detectar, caracterizar, rastrear y predecir las ubicaciones futuras de la nubosidad . Estos satélites permiten generar pronósticos de energía solar en amplias regiones mediante la aplicación de algoritmos de procesamiento y pronóstico de imágenes . Algunos algoritmos de pronóstico basados en satélites incluyen vectores de movimiento de nubes (CMV) [11] o enfoques basados en racionalización . [12]
La mayoría de los enfoques de pronóstico a corto plazo utilizan modelos numéricos de predicción del tiempo (NWP) que proporcionan una estimación importante del desarrollo de las variables meteorológicas. Los modelos utilizados incluyeron el Sistema de Previsión Global (GFS) o 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 pronóstico global, que proporcionan pronósticos meteorológicos 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 de PNT son muy complejos y difíciles de ejecutar en computadoras locales, estas variables generalmente se consideran entradas exógenas a los modelos de irradiancia solar y se absorben del proveedor de datos respectivo. Los mejores resultados de previsión se logran con la asimilación de datos .
Algunos investigadores abogan por el uso de técnicas de posprocesamiento, una vez que se obtienen los resultados de los modelos, para obtener un punto de vista probabilístico de la precisión de los resultados. Esto generalmente se hace con técnicas de conjunto que mezclan diferentes resultados de diferentes 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).
Los pronósticos a largo plazo generalmente se refieren a técnicas de pronóstico 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 depender de la PNT y de modelos climatológicos . 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 al hecho de que este horizonte temporal es menos relevante desde una perspectiva operativa y mucho más difícil de modelar y validar, sólo alrededor del 5% de las publicaciones de pronóstico solar consideran este horizonte.
Luego, cualquier salida de un modelo debe convertirse en la energía eléctrica que producirá una planta solar fotovoltaica en particular. Este paso generalmente se realiza con enfoques estadísticos que intentan correlacionar la cantidad de recursos disponibles con la potencia de salida medida. La principal ventaja de estos métodos es que el error de predicción meteorológica, que es el componente principal del error global, podría reducirse teniendo en cuenta la incertidumbre de la predicción.
Como se mencionó anteriormente y se detalló 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 central eléctrica convierte el recurso meteorológico en energía eléctrica, como describen 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 verse amplificado por estos modelos. Los modelos híbridos, por último, son una combinación de estos dos modelos y parecen ser un enfoque prometedor que puede superar a cada uno de ellos individualmente.