Fotovoltaica marina versus fotovoltaica en tierra

Investigadores de Arabia Saudí han comparado el rendimiento de las plantas fotovoltaicas montadas en tierra con el de las instalaciones solares marinas y han descubierto que las instalaciones flotantes se benefician del efecto refrigerante del agua del mar.

marzo 27, 2025 Lior Kahana

Resumen gráfico.

Imagen: Universidad Rey Fahd de Petróleo y Minerales, Conversión y Gestión de la Energía

Investigadores de la King Fahd University of Petroleum & Minerals de Arabia Saudí han llevado a cabo una investigación comparativa de sistemas fotovoltaicos solares flotantes (SFPV, por sus iniciales en inglés) experimentales y sistemas fotovoltaicos solares montados en el suelo (GSPV) en un sistema de inteligencia artificial (IA) que predice la temperatura de la superficie y la potencia de salida de ambas configuraciones.

«Nuestros hallazgos contribuyen al avance de las técnicas de IA para mejorar la integración de redes inteligentes y la eficiencia operativa de las instalaciones solares flotantes, alineándose con los objetivos de innovación del desarrollo de energía sostenible en Saudi Vision 2030», dijo el autor correspondiente, el Dr. Mohamed E. Zayed, a pv magazine.

«Los sistemas SFPV y GSPV se instalan y prueban en las mismas condiciones climáticas de Azizia, Reino de Arabia Saudita, y se evalúan en profundidad con respecto a la potencia eléctrica producida, la temperatura del panel de superficie fotovoltaica, el voltaje PV-DC, la corriente PV-DC y el rendimiento y la eficiencia energética», explicó el equipo. «El segundo objetivo de este estudio se centra en la aplicación de modelos avanzados de inteligencia artificial para predecir la generación de energía eléctrica y la temperatura del panel de superficie FV tanto en sistemas SFPV como GSPV, un área que no se ha investigado raramente».

Tanto el sistema SFPV como el GSPV consistían en dos paneles bifaciales con una potencia máxima de 545 W. Ambos sistemas incluían también un inversor, una batería y un conjunto de registradores de datos y dispositivos de medición. El sistema SFPV se instaló a 25 m de la costa del golfo de Bahréin, en Azizia, a una profundidad de 1,5 m, mientras que el GSPV se instaló cerca, en tierra. El SFPV también utilizó un armazón de madera, bidones de plástico reutilizables, una estructura de soporte de acero inoxidable, cables de acero, ganchos y bloques de hormigón de anclaje.

El análisis mostró que la temperatura ambiente media a largo plazo fluctuó entre 15,35 ºC en enero y 36,0 ºC en julio, con una humedad relativa que alcanzó el 31,65% en junio y alcanzó un máximo del 68,23% en diciembre. La intensidad solar horizontal global diaria osciló entre 3,30 kWh/m2/día y 7,74 kWh/m2/día, con una media global de 5,64 kWh/m2/día a lo largo del año. Además, la velocidad media del viento a 10 m sobre el nivel del mar varió entre 3,71 m/s en octubre y 5,42 m/s en junio.

Las mediciones de ambos dispositivos se realizaron en junio de 2024 y mostraron que el sistema SFPV mejoraba la potencia eléctrica fotovoltaica media y la energía eléctrica neta diaria acumulada en un 59,25% y un 69,70%, respectivamente, en comparación con el sistema montado en suelo. Ello se debió, en parte, al efecto refrigerante del agua de mar. Mientras que la media medida en la superficie del GSPV fue de 58,40 ºC, el SFPV tuvo una de 39,5 ºC, una reducción del 32,36%.

Para predecir las capacidades de estos sistemas, el grupo ha combinado el algoritmo de optimización del oso pardo (BBOA) con la técnica de memoria a largo plazo (LSTM). El BBOA se inspira en los comportamientos naturales de los osos pardos y se utiliza para afinar los hiperparámetros del modelo LSTM. Los hiperparámetros son las configuraciones externas establecidas antes de que comience el proceso de aprendizaje de la LSTM, que rigen su funcionamiento. A continuación, el LTSM utiliza su capacidad de comprender patrones para predecir los resultados.

«La partición del conjunto de datos se realizó mediante divisiones 70/30, en las que el 70% del conjunto de datos se asignó al entrenamiento y el 30% a las pruebas», explica el grupo. «Las variables de entrada del modelo incluyen características como la hora, la radiación solar, la corriente fotovoltaica, el voltaje fotovoltaico y la temperatura ambiente, mientras que las salidas objetivo son la potencia eléctrica y la temperatura de la superficie fotovoltaica».

A continuación, el LSTM-BBOA se comparó con otros tres modelos: Light gradient-boosting machine (LightGBM), LSTM solo y gated recurrent unit (GRU). Según los resultados, el modelo LSTM-BBOA logró una robustez superior en los sistemas SFPV y GSPV. En el caso de la electricidad del SFPV, logró un coeficiente determinista (R²) de 0,9998. En el caso de la compresión, el LSTM solo obtuvo 0,9966, y el LightGBM, 0,9844.

El análisis demostró que el LSTM-BBOA híbrido mostró un rendimiento «robusto» con valores mínimos de error medio absoluto (MAE), error cuadrático medio (RMSE) y coeficiente de variación (COV) de 0,4884, 0,5031 y 0,1938 para las predicciones de producción de energía de SFPV. Por su parte, el LightGBM autónomo mostró unos valores máximos de MAE, RMSE y COV de 5,7036, 12,6872 y 20,3577, respectivamente.

«El modelo LSTM-BBOA alcanzó unos valores máximos de coeficiente de eficiencia (EC) e índice global (OI) de 0,9998 y 0,9931, respectivamente, superando las puntuaciones del modelo LSTM de 0,9969 y 0,9472 para la producción de energía SFPV», concluyeron los científicos. «En comparación, LightGBM registró los valores más bajos de EC y OI, con 0,9844 y 0,9190, respectivamente».

Sus hallazgos se presentaron en «Benchmarking reinforcement learning and prototyping development of floating solar power system: Experimental study and LSTM modeling combined with brown-bear optimization algorithm», publicado en Energy Conversion and Management.

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.