Tener certeza sobre la incertidumbre de la radiación solar

Una de las pocas cosas de las que podemos estar seguros es que nada es absolutamente cierto. Esta paradoja es especialmente relevante en la ciencia, donde la incertidumbre forma parte de todo modelo.

En el contexto de la simulación del rendimiento fotovoltaico, la incertidumbre ayuda a los usuarios a comprender las posibles desviaciones en los resultados producidos por el software que están utilizando. Comprender estas desviaciones desempeña un papel fundamental a la hora de seleccionar el diseño óptimo de una central eléctrica y de evaluar los riesgos financieros y el rendimiento de la inversión.

La incertidumbre pretende reflejar las limitaciones e hipótesis incorporadas a los modelos de simulación y sus datos de entrada. Uno de los datos más importantes a la hora de calcular la incertidumbre del rendimiento fotovoltaico es el conjunto de datos de irradiancia solar utilizado en la simulación.

En este artículo, resalto los puntos clave para explicar qué es la incertidumbre de la irradiancia solar, cómo se calcula y por qué entenderla es esencial para una evaluación fiable del proyecto.

La incertidumbre de la radiación solar es más que un número

La incertidumbre cuantifica el rango en torno a una estimación dentro del cual se espera que se sitúe el valor real de una magnitud concreta, expresado normalmente como un margen de desviación esperado y un nivel de probabilidad.

Esto significa que, al tratar la incertidumbre, hay varios datos clave que debemos tener en cuenta para evitar confusiones y permitir una comparación significativa con otros valores:

• Qué se está observando exactamente: La radiación solar consta de diferentes componentes (por ejemplo, directa, difusa) y puede medirse en diferentes planos (horizontal al suelo, normal al sol, inclinada, etc.). Por lo tanto, es esencial especificar claramente el parámetro solar al que se refiere la estimación. GHI, DNI, DIF y GTI son los parámetros estándar utilizados cuando se habla de radiación solar.
• Cómo se agrega el valor: Además de especificar la unidad física (normalmente kWh/m² para la radiación solar), es importante indicar el nivel de agregación utilizado (por ejemplo, diario, mensual, anual). También es importante utilizar la terminología adecuada: la irradiancia suele referirse a valores de potencia instantáneos, mientras que la irradiación denota la energía acumulada a lo largo del tiempo.
• Cómo se expresa la incertidumbre: La incertidumbre suele indicarse como porcentaje del valor estimado. Sin embargo, para evitar ambigüedades, también debería incluir el nivel de confianza utilizado (por ejemplo, P90, P99, desviación estándar).

En resumen, una declaración de incertidumbre completa debe incluir:

Valor estimado + parámetro solar + unidad física + nivel de agregación + margen de incertidumbre + nivel de confianza

Ilustrémoslo con un ejemplo:

• Declaración de incertidumbre incompleta: "Para este proyecto, esperamos un valor de radiación solar de 1234 kWh/m² con una incertidumbre de ±4%"
• Declaración de incertidumbre completa: "Para este proyecto, esperamos una radiación solar (GHI) de 1234 kWh/m² (suma anual para un solo año) con una incertidumbre de ±4% (expresada en el nivel P90)."

Cómo se calcula la incertidumbre

Las estimaciones de la irradiancia solar basadas en modelos satelitales semiempíricos se han convertido en un estándar, gracias a la disponibilidad de datos satelitales coherentes, de alta resolución y globales.

Sin embargo, el proceso de evaluación de la precisión de estos conjuntos de datos de radiación solar modelizada puede resultar a veces poco claro. Resumamos el procedimiento en cinco pasos clave:

Paso nº 1: Comparación de modelos y mediciones

El primer paso del proceso consiste en la comparación sistemática de instrumentos de primera clase y alta calidad (para la radiación solar, piranómetros estándar secundarios y pirheliómetros de primera clase) con las estimaciones del modelo en los mismos lugares y durante los mismos periodos.

También es necesario evaluar la calidad de los dispositivos de medición en tierra y las prácticas de mantenimiento. Esto significa garantizar que los piranómetros, pirheliómetros y otros sensores cumplen las normas internacionales de calibración y se recalibran periódicamente. El mantenimiento rutinario, incluida la limpieza periódica de las superficies de los sensores, también debe documentarse y seguirse estrictamente.

Para cada emplazamiento se calculan diferentes indicadores. Se suelen denominar estadísticas de validación, ya que también se utilizan para validar el rendimiento de un modelo.

Esta comparación debe repetirse para el mayor número de emplazamientos y durante un periodo lo más largo posible. Para evaluar correctamente un modelo de irradiancia solar, debe llevarse a cabo en estaciones meteorológicas representativas de todas las regiones geográficas y seguir un proceso normalizado que permita la comparación entre diferentes emplazamientos y estaciones de medición.

Es importante destacar que la validación y la incertidumbre son conceptualmente diferentes: mientras que la validación se detiene en la recopilación de una serie de estadísticas para aquellos emplazamientos en los que se dispone de referencias terrestres, la incertidumbre va un paso más allá y pretende estimar el rendimiento esperado en emplazamientos fuera de la red de referencia.

Paso nº 2: Caracterización del sesgo

Una vez analizado un número suficiente de emplazamientos de validación, puede obtenerse una estimación inicial del rendimiento del modelo. Este paso consiste en examinar la distribución de frecuencias y la magnitud de las desviaciones entre las estimaciones del modelo y los valores medidos.

El análisis de la distribución de las desviaciones entre zonas climáticas y regiones geográficas ayuda a identificar las principales condiciones o áreas en las que es probable que existan discrepancias mayores o menores entre los valores de irradiancia modelizados y los medidos sobre el terreno.

Estos resultados se publican a menudo en informes de acceso público, ofreciendo una orientación preliminar a los usuarios de modelos solares sobre los niveles de precisión esperados para los valores anuales de radiación solar. Sin embargo, para una estimación más precisa de la incertidumbre en sitios específicos, se requiere una visión más profunda de todas las estadísticas de validación y un análisis completo de los factores contribuyentes (como se indica en los siguientes pasos).

Paso nº 3: Desviaciones no sistemáticas

Aunque la cuantificación del sesgo es esencial para identificar las desviaciones sistemáticas entre las estimaciones del modelo y las mediciones, la evaluación de los errores no sistemáticos es igualmente importante. Esto se consigue normalmente calculando el error cuadrático medio (RMSE), que capta las desviaciones no sistemáticas y ofrece una evaluación más completa del rendimiento general del modelo.

La incorporación de indicadores adicionales de coherencia, como el índice de Kolmogorov-Smirnov (KSI), ayuda a evaluar la capacidad de un modelo para representar diversas condiciones de irradiancia solar y ofrece una visión más profunda del comportamiento del modelo antes de proceder a la estimación de la incertidumbre.

Centrarse exclusivamente en las estadísticas de validación a largo plazo (anuales) también puede ocultar incoherencias estacionales. Por lo tanto, para una evaluación robusta de la incertidumbre, deberían analizarse también las estadísticas mensuales.

Paso 4: Factores que afectan a la incertidumbre del modelo solar

Las características de las diferentes distribuciones empíricas de error identificadas anteriormente se analizan y comparan con las características de cada emplazamiento y periodo de validación. El objetivo es asociar las propiedades específicas del emplazamiento y del periodo con las características correspondientes de la distribución de errores. Los factores clave que influyen en el rendimiento del modelo pueden ser

• Persistencia de las nubes
• Variabilidad de las nubes
• Profundidad óptica de los aerosoles
• Vapor de agua total
• Cobertura de nieve
• Variabilidad del terreno
• Distancia a las superficies de agua
• Contaminación antropogénica
• Distorsión del píxel del satélite
• Superficies de alto albedrío

Como resultado, ya podemos identificar situaciones en las que se espera que el rendimiento del modelo solar sea menor, incluyendo zonas de alta montaña, condiciones de nieve, desiertos reflectantes, proximidad a costas o entornos urbanizados.

Paso nº 5: Estimación de la incertidumbre específica del emplazamiento

Reuniendo los resultados del paso anterior, el objetivo ahora es estimar el nivel de incertidumbre para el emplazamiento solicitado. Esto significa evaluar, para ese lugar específico, cada uno de los factores identificados que influyen en el rendimiento del modelo.

No es una tarea fácil y requiere un conocimiento profundo y experto del modelo, sus algoritmos internos y sus datos de entrada. Debido a la complejidad de ciertas interacciones y a la limitada experiencia de validación en algunas regiones, la automatización completa del proceso de estimación de la incertidumbre sigue siendo un reto.

La disponibilidad limitada de estaciones de referencia públicas en algunas regiones también hace necesario el uso de estimaciones de incertidumbre más conservadoras. Sin embargo, a medida que se desarrollan nuevos proyectos solares, se instalan más estaciones meteorológicas y progresa el conocimiento científico, nuestra confianza en la estimación de la incertidumbre de la radiación solar sigue aumentando.

Fig.1: Pasos para estimar la incertidumbre del modelo de irradiancia solar

Comparación de modelos de irradiancia solar

La comparación entre modelos puede ser complicada y requiere una revisión cuidadosa de los procesos de validación subyacentes. Para ello, a continuación se presenta una lista de preguntas clave que pueden ayudar a comparar diferentes modelos de irradiancia solar:

• ¿Se han sometido los modelos al mismo proceso de evaluación de la incertidumbre?
  Esto es crucial, ya que la comparación de valores de incertidumbre entre modelos sólo tiene sentido si ambos han sido evaluados utilizando la misma metodología que cubra métricas estadísticas idénticas (como sesgo, RMSE), niveles de agregación (mensual, anual) e intervalos de confianza (por ejemplo, P90). Sin un marco de evaluación coherente, las cifras de incertidumbre de los distintos modelos no pueden compararse directamente.
• ¿Emplea alguno de los modelos ajustes específicos del lugar?
  En caso afirmativo, aunque esos modelos puedan dar excelentes resultados de validación en determinados lugares, su rendimiento puede deteriorarse significativamente cuando se aplican fuera de esas zonas. Las estadísticas de validación proporcionadas por estos modelos suelen reflejar una "precisión aparente" más que un verdadero rendimiento predictivo.
• ¿Los estudios comparativos los realizan directamente los proveedores de datos (o consultores afiliados) o los llevan a cabo organizaciones independientes?
  Además de las estadísticas de precisión proporcionadas por los proveedores de datos, los estudios independientes permiten evaluar los modelos en igualdad de condiciones utilizando métodos normalizados. En los ejercicios colaborativos de evaluación comparativa suelen participar instituciones públicas de investigación y partes interesadas privadas. Además de fomentar la transparencia, estos ejercicios promueven el intercambio de conocimientos en todo el sector y la mejora continua de las prácticas de modelización solar.
• ¿Se refieren las estadísticas a los mismos lugares de referencia, periodos de validación y protocolos de control de calidad?
  Si no es así, basarse en validaciones internas para realizar comparaciones directas de modelos puede ser engañoso, ya que las variaciones en los lugares de referencia, los periodos de datos o los procedimientos de filtrado de datos pueden sesgar los resultados a favor de un modelo en detrimento de otro.

La incertidumbre puede ser baja, pero nunca nula

Como se mencionaba al principio de este artículo, la incertidumbre nunca puede eliminarse por completo. Sin embargo, esto no significa que no pueda minimizarse.

En el contexto de los datos de irradiancia solar, hay pasos claros que se pueden dar para reducir la incertidumbre: por ejemplo, revisar cuidadosamente los conjuntos de datos de entrada y seleccionar el proveedor de datos por satélite de mayor calidad.

Los modelos de irradiancia se basan en redes de referencia disponibles públicamente para su validación, que también constituyen la base de la modelización de la incertidumbre (véase el capítulo anterior). La incertidumbre puede reducirse aún más incorporando mediciones locales para corregir los sesgos introducidos por la resolución original de los datos de satélite y ajustar la estructura interna de los datos, un proceso conocido como adaptación al lugar. Para ello, se necesitan campañas locales de medición de la irradiancia solar de al menos un año de duración.

Dicho esto, las mediciones en tierra no son perfectas. Incluso los sensores GHI (Global Horizontal Irradiance) de mayor calidad y mejor mantenidos presentan una incertidumbre inherente del orden del ±2% al ±3%. Esto debe tenerse siempre en cuenta al estimar la incertidumbre del modelo de datos.

Antes de cualquier comparación o adaptación al lugar, los datos medidos deben someterse a una rigurosa evaluación de calidad para eliminar los valores afectados por errores de medición. Normalmente, estos problemas sólo son visibles en los datos de alta resolución, idealmente subhorarios u horarios. Los datos agregados con una resolución diaria o mensual no son adecuados para este fin, ya que es imposible realizar un control de calidad adecuado y los errores de medición no pueden identificarse o cuantificarse de forma fiable.

Incertidumbre, P50 y P90: cálculo de muestras

Una forma útil de mostrar cómo afecta la incertidumbre a los valores esperados para un mismo proyecto es observar los diferentes gráficos de distribución de probabilidad y los valores P50 y P90 de la irradiancia solar.

El siguiente ejemplo ilustra por qué elegir evaluaciones basadas en la precisión en lugar de meras estimaciones optimistas es esencial para el desarrollo y la bancabilidad de un proyecto sólido.

Consideremos un caso de ejemplo en el que intervienen dos modelos:

• Modelo A:
  • Da un P50 GHI más alto (1250 kWh/m2 ), lo que probablemente proporcionará un rendimiento P50 más alto al ejecutar la simulación.
  • Lleva asociada una mayor incertidumbre (±10,4% para el intervalo de confianza P90).
• Modelo B:
  • Da un P50 GHI más bajo, lo que probablemente proporcionará un rendimiento P50 más bajo al ejecutar la simulación.
  • También tiene una incertidumbre asociada menor (±6,6% para el intervalo de confianza P90).

Fig.2: Incertidumbre en las estimaciones de la irradiancia horizontal global (GHI) a partir de dos modelos en un lugar de muestra de Eslovaquia.

Aunque el Modelo A puede parecer inicialmente más atractivo debido a su estimación central más alta, su distribución más amplia refleja una mayor variabilidad y riesgo.

En cambio, la distribución más ajustada del modelo B da como resultado una irradiancia P90 más alta, que puede dar lugar a mejores condiciones financieras para la financiación del proyecto, especialmente por parte de prestamistas conservadores.

Añadir otras fuentes de incertidumbre

El modelo de irradiancia solar no es la única fuente de incertidumbre que afecta a la estimación del rendimiento fotovoltaico proporcionada por el software. A lo largo del proceso de simulación fotovoltaica, hay otros puntos en los que pueden producirse desviaciones entre los valores supuestos y lo que ocurrirá en la realidad.

Esto significa tener en cuenta fuentes adicionales de incertidumbre que deben combinarse para calcular los valores anuales P90, P99 u otros valores Pxx.

Simulación energética: Aunque es difícil desarrollar modelos de incertidumbre detallados para cada paso de la simulación, la investigación en curso sigue avanzando en este campo. El proceso implica la evaluación de varios factores que introducen distintos tipos de incertidumbre, entre ellos:

• La calidad de los parámetros meteorológicos adicionales incluidos en los conjuntos de datos de entrada, y cómo se utilizan en los modelos de conversión.
• La granularidad de los datos de entrada y cómo se procesan durante la simulación (algunos programas informáticos realizan una agregación preliminar, lo que significa que los cálculos reales pueden realizarse con una resolución temporal diferente a la de los datos de entrada).
• Los métodos de cálculo de la energía utilizados en el software, como el trazado de rayos, los modelos de factor de visión simplificados, etc.
• Los parámetros de entrada ajustables por el usuario y los valores de referencia por defecto proporcionados por el software.
• Las especificaciones técnicas de los componentes fotovoltaicos, incluida la verificación de las características de los módulos fotovoltaicos y los inversores.

Variabilidad interanual: Además de las incertidumbres derivadas de la irradiancia solar y del modelo de simulación, el cálculo de los valores anuales P90, P99 u otros valores Pxx también requiere tener en cuenta la variabilidad interanual. Este factor refleja las fluctuaciones meteorológicas naturales y sólo puede estimarse de forma fiable utilizando un conjunto de datos históricos suficientemente largo.

Para tener en cuenta adecuadamente la variabilidad interanual, es importante examinar el periodo de referencia de los datos de entrada y cómo se trata dentro de la simulación (algunos programas sólo pueden funcionar con periodos de un año).

Fig.3: Captura de pantalla de los resultados combinados de la incertidumbre GHI en Solargis Evaluate 2.0.

Conocer la incertidumbre desbloquea la financiación

Conocer la incertidumbre del rendimiento fotovoltaico es esencial para estimar los riesgos financieros. Unas estimaciones fiables del recurso solar previsto suelen ser una condición sine qua non para garantizar la financiación de un proyecto.

Desde el punto de vista de la irradiancia solar, es importante que los proveedores de datos no sólo mejoren los modelos meteorológicos y las técnicas de medición (es decir, que proporcionen datos más precisos), sino que también profundicen en su comprensión del rendimiento de los modelos, concretamente proporcionando estimaciones sólidas de la incertidumbre de los datos.

Desde el punto de vista del diseño técnico, optimizar los componentes de una central eléctrica sin conocer la incertidumbre de los datos es casi imposible. Los ingenieros deben asegurarse de que los equipos seleccionados funcionan dentro de las condiciones recomendadas por el fabricante, y para ello es necesario un conocimiento sólido de la fiabilidad de los datos de entrada. Los datos de irradiación solar de alta calidad deben complementarse con modelos de cálculo precisos y bien establecidos para minimizar la incertidumbre en las estimaciones finales de rendimiento energético.

Aunque pueda parecer que la incertidumbre se sitúa entre la probabilidad y la expectativa, siempre es necesaria una evaluación minuciosa y cuidadosa de la misma en los proyectos fotovoltaicos. Evaluar la incertidumbre es uno de los primeros pasos para desbloquear la financiación y estimar una rentabilidad realista del proyecto.