Investigadores chinos han desarrollado un novedoso método para predecir la cobertura nubosa de las plantas fotovoltaicas. Consiste en un nuevo algoritmo que utiliza técnicas de aprendizaje automático para procesar y tomar como entrada imágenes de satélites geoestacionarios.
«Nos hemos propuesto desarrollar un algoritmo de predicción inmediata de la fracción de nubes (CF, por sus siglas en inglés) intradiaria en horas diurnas para áreas pequeñas sobre plantas fotovoltaicas», explicaron. «Nuestro principal objetivo es desarrollar un algoritmo o sistema innovador y fácil de promover basado en el marco clave del modelo PredRNN++».
El método «NCP_CF» recibe datos de radiancia de entrada procedentes del satélite Himawari-8/9. Al parecer, puede procesar datos centrados en plantas fotovoltaicas con resoluciones espaciotemporales de 4 km. A continuación, transforma estos datos en mosaicos, que se utilizan para un modelo de predicción.
También se dice que el modelo es capaz de aprender a predecir imágenes futuras a largo plazo en diversas tareas espaciotemporales utilizando el marco del algoritmo de memoria a corto plazo (LSTM) basado en redes neuronales recurrentes (RNN). Modificado para la predicción de nubes, el novedoso sistema se actualiza cada hora, mostrando las imágenes de nubes más recientes para las cuatro horas siguientes. A continuación, un algoritmo de máscara de nubes calcula el número de píxeles nublados sobre las plantas fotovoltaicas.
El novedoso sistema de predicción se probó en cinco plantas fotovoltaicas situadas en China entre 2019 y 2022. A continuación, los resultados se compararon con las observaciones de doce estaciones manuales terrestres y tres estaciones de imágenes todo cielo.
En cuanto a los datos de la fracción de nubes (CF) pronosticada, los científicos descubrieron que su sistema tenía errores cuadráticos medios (RMSE) de 0,21, 0,25, 0,3 y 0,35 para el tiempo de previsión de una hora, dos horas, tres horas y cuatro horas, respectivamente. Los errores medios de sesgo (EMB) para los mismos tiempos de previsión fueron de -0,09, -0,08, -0,07 y -0,03.
«Nuestra misión futura es seguir promoviendo las aplicaciones y mejorar la precisión de esta técnica de pronóstico a corto plazo de la cobertura nubosa, especialmente para el tiempo de previsión de más de dos horas, mediante el uso de datos de satélite de mayor resolución espacial y la combinación de los datos de previsión a corto plazo de una predicción meteorológica numérica regional de alta resolución rápidamente actualizada», concluyen los académicos.
La investigación fue realizada por científicos de la Universidad Sun Yat-sen, el Laboratorio de Ciencias Marinas e Ingeniería del Sur de Guangdong, la Administración Meteorológica de China, el Grupo General de Energía Nuclear de China y la empresa Beijing Keytec Technology. Presentaron sus resultados en «Accurate nowcasting of cloud cover at solar photovoltaic plants using geostationary satellite images» (Predicción inmediata precisa de la nubosidad en plantas solares fotovoltaicas utilizando imágenes de satélite geoestacionarios), publicado recientemente en Nature Communications.
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.