Científicos clasifican los tipos de tiempo en función de la producción fotovoltaica extrema

Investigadores del Instituto de Investigación de la Energía Eléctrica de China han esbozado una nueva clasificación de los tipos de fenómenos meteorológicos basada en los sucesos de producción fotovoltaica anómala y los distintos tipos de tiempo y, a partir de esta nueva taxonomía, han desarrollado un sencillo modelo de predicción de la producción extrema.

«En la actualidad, nuestro modelo se basa en la región del este de China como ejemplo, pero creemos que tiene potencial para aplicarse en otras regiones», explica Fan Yang, autor del estudio, a pv magazine. «El modelo básicamente encuentra los procesos meteorológicos asociados a la producción anómala e intenta utilizarlos como base para predecir futuros eventos de producción anómala. Por lo tanto, estimamos que en distintas regiones, los tipos de condiciones meteorológicas asociados a los fenómenos de producción anómala pueden diferir de los del artículo».

El análisis se basó en los datos de producción de 76 centrales fotovoltaicas distribuidas en el este de China, junto con los datos meteorológicos del conjunto de datos del Reanálisis de Quinta Generación del Centro Europeo de Predicción Meteorológica a Medio Plazo. Los datos de todo el año 2022 se utilizaron para la agrupación, mientras que los datos del 1 de enero de 2023 al 31 de marzo de 2023 se utilizaron para la validación.

«Los eventos de producción fotovoltaica extremadamente alta o baja pueden dar lugar a un desperdicio o escasez significativa de electricidad, lo que plantea grandes demandas de almacenamiento de energía y configuraciones de energía de respaldo, e incluso potencialmente plantea una grave amenaza para el funcionamiento seguro y estable de la red eléctrica, y por lo tanto recibe una atención especial del departamento de despacho de la red eléctrica», dijo el grupo. «En consecuencia, la predicción de eventos de salida extrema se ha convertido en uno de los puntos calientes de la investigación actual».

Los académicos utilizaron medias deslizantes y desviaciones estándar para identificar los eventos anómalos. A continuación, se utilizó el algoritmo de aprendizaje automático K-means para agrupar los distintos días anómalos en función de variables meteorológicas como la temperatura, la radiación descendente de onda corta, la presión superficial, la velocidad del viento a 100 m, la humedad relativa, la nubosidad total y las precipitaciones diarias. Además, para analizar el impacto de cada variable se utilizó la regresión lineal de variables múltiples, una técnica estadística que utiliza varias variables explicativas para predecir el resultado de una variable de respuesta.

«De los 121 días de salida anormal, hay un total de 72 días de salida baja anormal y 49 días de salida alta anormal», declararon los investigadores. «En cuanto a la distribución mensual de frecuencias, el número de días de salida anormal en julio y agosto de 2022 es relativamente escaso, con un total de 3 días, mientras que los días de salida anormal son más frecuentes durante las estaciones de invierno y primavera, con ocurrencias que superan los 10 días».

Utilizando la agrupación de las diferentes variables, el equipo también descubrió que los eventos de salida alta anormal están relacionados con altas temperaturas, tiempo despejado traído por sistemas estables de baja presión y procesos meteorológicos de enfriamiento con viento despejado controlados por alta presión. Por otro lado, los fenómenos anormales de baja producción están relacionados con procesos meteorológicos de transición, como olas de frío, tiempo nuboso y sin precipitaciones, y procesos meteorológicos nubosos y lluviosos en sistemas de baja presión.

«Factores como la humedad, las precipitaciones y los cambios de temperatura varían en importancia según los distintos tipos de tiempo, pero la radiación y la nubosidad son siempre factores clave», añade el equipo.

Los científicos también utilizaron los datos para construir un sencillo modelo de predicción de salidas extremas. «Tras introducir elementos meteorológicos en un momento futuro determinado, el modelo realiza particiones basadas en la medición de la distancia euclidiana. Si los elementos meteorológicos en un momento determinado se ajustan a las características de los elementos meteorológicos durante los periodos de anomalía de salida alta y baja, se considera que en ese momento puede producirse una anomalía de salida», explicaron.

Para reforzar su modelo, también añadieron un método subjetivo de previsión meteorológica basado en los patrones de circulación atmosférica. Probado en los tres primeros meses de 2023, el modelo arrojó 16 aciertos, 4 falsas alarmas y 4 alarmas fallidas para los días de producción anormalmente baja. Para los días de producción anormalmente alta, hubo 12 aciertos, 9 falsas alarmas y 6 alarmas perdidas.

«Tomando como ejemplo un caso de potencia extremadamente baja en enero de 2023, se validan el modelo de predicción de potencia fotovoltaica extrema propuesto en este artículo y el método de predicción subjetiva basado en el patrón de circulación atmosférica», concluye el grupo. «Se constata que los métodos anteriores contribuyen a mejorar la previsión objetiva y subjetiva de eventos de potencia extrema fotovoltaica, y la combinación de ambos puede mejorar aún más la capacidad de predicción de la potencia fotovoltaica».

Sus conclusiones se presentaron en el artículo «Comprehensive evaluation methods for photovoltaic output anomalies based on weather classification» (Métodos de evaluación integral de anomalías de producción fotovoltaica basados en la clasificación meteorológica), publicado en Renewable Energy.

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.