Un equipo de investigación estadounidense ha desarrollado un modelo de aprendizaje automático que predice la variabilidad de la irradiación solar en la superficie utilizando el tipo de nube y la cobertura nubosa como datos de entrada. El modelo se desarrolló y entrenó originalmente en un único emplazamiento de Oklahoma, y los investigadores han probado ahora su rendimiento en 15 emplazamientos adicionales de todo el mundo para evaluar su capacidad de generalización más allá de su ubicación de entrenamiento original.
«Riihimaki ha desarrollado en 2021 un modelo de aprendizaje automático que predice la variabilidad de la irradiación solar en la superficie a partir del tipo de nubes y la cobertura nubosa, utilizando cinco años de observaciones de radar de nubes, lidares y radiación en la superficie en el sitio del Programa de Medición de Radiación Atmosférica (ARM) de las Grandes Llanuras del Sur (SGP) en Oklahoma», afirmó el grupo. «Este estudio complementa aquel al evaluar el rendimiento y la aplicabilidad del modelo en diferentes climas en 15 sitios adicionales».
En el estudio de 2021, el grupo utilizó datos registrados entre 2014 y 2018 en el sitio de Oklahoma para entrenar un modelo de bosque aleatorio. El modelo utilizó el tipo de nube y la cobertura nubosa como entradas para predecir la transmisividad efectiva media (ET), la desviación estándar de la ET y, en particular, la desviación estándar de los cambios minuto a minuto en la ET. Esta última métrica capta los eventos de «rampa» solar rápida —aumentos o caídas repentinas en la irradiancia solar causados por el movimiento de las nubes— que son importantes para las operaciones de la red eléctrica.
Los resultados de 2021 mostraron que el tipo de nube y la cobertura nubosa por sí solos podían explicar el 42 % de las fluctuaciones rápidas de la luz solar causadas por el movimiento de las nubes. Esto llevó a los autores a plantear la hipótesis de que la misma relación se mantendría en otros climas. Por lo tanto, ampliaron el análisis a 15 sitios adicionales, incluyendo otras ubicaciones de la ARM en Alaska, Australia, Papúa Nueva Guinea, las Azores, Argentina, Texas, Colorado y California, así como estaciones de la Red de Balance de Radiación Superficial (SURFRAD) de la Administración Nacional Oceánica y Atmosférica (NOAA) en Illinois, Nevada, Montana, Misisipi, Pensilvania, Dakota del Sur y Colorado.
Sin embargo, al ampliarse el alcance de la predicción, fue necesario modificar el modelo original. En el estudio de 2021, la cobertura nubosa se obtuvo a partir de un Total Sky Imager (TSI), mientras que en el trabajo más reciente se obtuvo utilizando RADFLUX, que estima la cobertura nubosa a partir de mediciones de radiación en superficie. Los investigadores también probaron un segundo método de clasificación de tipos de nubes utilizado en las estaciones SURFRAD de la NOAA, basado en datos de radiación y alturas de la base de las nubes obtenidas con ceilómetros, en lugar de radar de nubes y lidar. Esto les permitió evaluar si el modelo seguía siendo robusto más allá de la configuración original de los instrumentos y si podía aplicarse de manera más amplia.
«En términos del coeficiente de determinación (r²), la mitad de los sitios (53 %) tienen el mismo r² o mejor que en la investigación original. De los sitios restantes con un r² menor, casi la mitad se encuentran a menos de 0.1 del r² original. Esto indica que casi tres cuartas partes (73 %) de los sitios tienen la misma capacidad de predicción o mejor que la original», explicaron los académicos. «En términos de error cuadrático medio (MSE), todos los sitios tienen MSE pequeños, y todos se encuentran a menos de 0.0015 del estudio original (0.0035). Los resultados aquí confirman la hipótesis de que la relación es ampliamente aplicable a ubicaciones con otras climatologías de nubes distintas de las del centro de Estados Unidos».
Sin embargo, los resultados también mostraron que algunas ubicaciones y tipos de nubes presentaban una menor predictibilidad de la variabilidad solar. Se trataba principalmente de sitios en entornos más extremos que el sitio de referencia de Oklahoma, incluyendo regiones montañosas, áridas, tropicales y de alta latitud. El sitio de Alaska mostró los valores r2 más bajos para casi todos los tipos de nubes.
El nuevo modelo se describió en «Prediction of solar variability by cloud type and cloud cover» (Predicción de la variabilidad solar por tipo de nube y cobertura nubosa), publicado en Solar Energy. Investigadores de la Universidad de Colorado en Boulder (Estados Unidos), el Laboratorio de Monitoreo Global de la NOAA y el Laboratorio de Sistemas Globales de la NOAA han contribuido al estudio.
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.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.