Marketa Hulik Jansova
Oct 22, 2026
Los datos solares medidos desde tierra suelen considerarse la referencia de referencia. Se utilizan para evaluar el rendimiento de las plantas fotovoltaicas, validar modelos, adaptar los conjuntos de datos satelitales a las condiciones locales, calcular la producción prevista y evaluar si una instalación está funcionando como debería.
Pero los datos medidos nunca son perfectos.
Los fallos de los instrumentos, los problemas de instalación, los efectos ambientales, la acumulación de suciedad, el sombreado, la deriva de calibración y la desalineación de los sensores pueden introducir errores. Algunos son evidentes. Otros son sutiles y pueden permanecer ocultos en los datos durante meses.
El problema no es solo que estos problemas existan. El verdadero problema es que distorsionan silenciosamente todos los resultados que se construyen a partir de las mediciones.
Este tema fue el centro de un estudio de Solargis que presentamos en PVPMC 2026, en el que se analizaba el impacto del control de calidad en la incertidumbre de la evaluación del rendimiento de la energía solar fotovoltaica. Para el análisis y el control de calidad de los datos medidos, utilizamos Solargis Analyst, nuestro software para visualizar, comparar, depurar y analizar datos solares y meteorológicos.
Nuestro análisis cuantificó toda la cadena, desde las mediciones brutas hasta las métricas de rendimiento finales, planteando tres preguntas prácticas:
Los resultados que presentamos fueron claros: el control de calidad no es opcional. Es un paso necesario antes de que los datos medidos puedan utilizarse con confianza.
Nuestra primera conclusión es quizás la más importante. En el conjunto de datos que analizamos, el 100 % de las series temporales de GHI y GTI presentaban problemas de calidad.
Evaluamos 509 conjuntos de datos de mediciones terrestres del GHI y 77 del GTI utilizando los procedimientos de control de calidad de Solargis. El estudio analizó tanto la presencia de problemas de calidad en los conjuntos de datos como su impacto en el sesgo y el error absoluto medio (MAE) cuando no se corrigen.
En un conjunto de datos típico, la proporción de puntos de datos afectados era relativamente baja. La mediana de puntos de datos afectados alcanzó el 3,2 % para el GHI y el 6,1 % para el GTI.
Sin embargo, la cola de la distribución presentaba valores mucho más graves.
En el percentil 90, los puntos de datos afectados alcanzaron el 18 % para el GHI y el 15 % para el GTI. Los problemas persistentes de calibración o desalineación podrían afectar hasta al 47 % de todos los puntos de datos en el P90.
Esto significa que, aunque el conjunto de datos mediano pueda parecer manejable, los casos difíciles pueden verse gravemente comprometidos. Si no se lleva a cabo un control de calidad, no hay forma de saber en qué punto de este rango se sitúa un conjunto de datos concreto.
Tabla 1: Porcentaje de conjuntos de datos y puntos de datos afectados por tipo de problema de calidad seleccionado, para el GHI y el GTI. Nota: Las estadísticas de puntos de datos afectados se calculan únicamente a partir de los conjuntos de datos en los que está presente el problema correspondiente.
No es necesario que los problemas de calidad afecten a la mayor parte del conjunto de datos para que sean relevantes. Incluso un número relativamente pequeño de puntos de datos problemáticos puede aumentar la incertidumbre, especialmente si el problema introduce un sesgo sistemático en lugar de ruido aleatorio.
Nuestro análisis mostró que no señalar ningún problema de calidad amplificaba el sesgo en un 5,7 % para el GHI y en un 4,6 % para el GTI en el P90, con aumentos similares en el MAE.
Para la evaluación del rendimiento fotovoltaico, esto es relevante porque muchas decisiones dependen de pequeñas diferencias. Un pequeño porcentaje de sesgo puede influir en que un activo parezca tener un rendimiento inferior al esperado, en que un modelo parezca preciso o en que se interpreten correctamente los escenarios de producción previstos y conservadores.
En otras palabras, los problemas de calidad de la medición pueden colarse en el análisis de forma imperceptible, pero su efecto puede ser lo suficientemente grande como para distorsionar la interpretación del rendimiento.
Por eso, la hipótesis de partida más segura es sencilla:
Asume que tus datos medidos contienen problemas de calidad, porque casi siempre es así.
En la segunda parte del estudio, analizamos el control de calidad automatizado.
La automatización es esencial porque la revisión manual de conjuntos de datos de medición grandes y de alta resolución no se adapta fácilmente a gran escala. Los proyectos fotovoltaicos pueden generar grandes volúmenes de datos, especialmente cuando las mediciones se registran con una resolución de un minuto o cinco minutos a través de múltiples sensores y durante largos periodos.
Nuestro estudio analizó 114 conjuntos de datos de un año, cada uno con dos mediciones del GHI y un control de calidad (CC) realizado por expertos ya aplicado. Cada conjunto de datos se modificó de varias formas: se agregaron en intervalos de tiempo más amplios, se redujeron a un único sensor GHI y se acortaron a seis y tres meses. El objetivo era cuantificar cómo varía el rendimiento del control de calidad automatizado en función de la resolución de los datos, la duración del registro y la redundancia de los sensores.
Los resultados muestran que la automatización puede acercarse al rendimiento de los expertos, pero solo en condiciones favorables.
Con conjuntos de datos multisensor y con una resolución de un minuto, el CC automatizado alcanzó un rendimiento cercano al del CC realizado por expertos. En algunos casos, el CC automatizado produjo una mayor reducción del sesgo y del error medio absoluto (MAE) que el CC realizado por expertos, tal y como indica la relación experto/automático.
Sin embargo, el rendimiento se deterioró cuando las condiciones se volvieron menos favorables.
Las configuraciones con un solo sensor y los intervalos de tiempo más amplios aumentaban el riesgo de señalar problemas de forma excesiva y de pasar por alto otros. Sin sensores redundantes, el control de calidad automatizado pasaba por alto más problemas reales. En el P90, la relación entre el control de calidad realizado por expertos y el automatizado podía alcanzar hasta 2, lo que demuestra que los conjuntos de datos difíciles siguen requiriendo la revisión y la intervención de expertos.
Curiosamente, una duración más corta de los datos resultó menos problemática de lo esperado. Seis meses de datos ofrecieron un rendimiento casi idéntico al de un año. Incluso tres meses resultaron viables para conjuntos de datos típicos, aunque la consistencia disminuyó en emplazamientos más complejos.
Figura 1: ΔBias y ΔMAE [%] obtenidos por el control de calidad experto y automatizado en relación con las mediciones brutas, utilizando como referencia el modelo de recursos solares de Solargis, en la mediana y en el p90. Los números de las barras indican la relación experto/automático: los valores inferiores a 1 indican que la automatización supera al control de calidad experto; los superiores a 1, lo contrario.
La conclusión es que el control de calidad automatizado funciona mejor cuando la configuración de medición es sólida. La presencia de sensores redundantes, una alta resolución temporal y al menos seis meses de datos crean condiciones mucho más favorables para un control de calidad automatizado fiable, así como para la evaluación por parte de expertos.
En el caso de evaluaciones de gran importancia o emplazamientos difíciles, la automatización debería complementar la revisión por parte de expertos, no sustituirla por completo.
Otra conclusión es que no todos los problemas de calidad tienen el mismo impacto. El control de calidad automatizado puede pasar por alto problemas sutiles y de bajo impacto, pero sigue detectando las anomalías más importantes, lo que mantiene la reducción del sesgo y del error medio absoluto (MAE) cerca del nivel de los expertos.
Esta distinción es importante para la ampliación operativa.
Para el procesamiento rutinario de datos, el control de calidad automatizado puede resultar muy valioso si detecta los problemas de gran impacto que afectan de manera significativa al análisis del rendimiento. En el caso de las evaluaciones financiables, la revisión por parte de expertos sigue siendo importante, ya que los problemas de baja frecuencia o específicos de cada emplazamiento pueden seguir influyendo en las conclusiones, especialmente cuando los márgenes de incertidumbre son estrechos.
En la práctica, el mejor flujo de trabajo no es ni manual ni automatizado. Es híbrido.
La automatización se encarga de la escala. Los expertos se ocupan del contexto, los casos extremos y el juicio final.
La tercera parte de nuestro análisis examinó qué ocurre cuando la incertidumbre de medición se traslada a la evaluación del rendimiento fotovoltaico.
El estudio utilizó una serie temporal de un año de datos GHI a intervalos de cinco minutos, en la que se introdujeron problemas de calidad controlados en los datos. Se simuló la producción fotovoltaica (PVOUT) utilizando Solargis Evaluate para tres configuraciones fotovoltaicas representativas: inclinación fija en el ángulo óptimo, seguidor horizontal norte-sur y sistema bifacial vertical de una sola fila. Las simulaciones se realizaron para tres emplazamientos con condiciones climáticas distintas.
La conclusión principal es que la calidad de los datos de entrada afecta directamente a la métrica de rendimiento final, pero el nivel de impacto depende del diseño del sistema.
En el caso de los sistemas monofaciales de inclinación fija y con seguidor, los problemas de medición en el GHI solían propagarse a la PVOUT con una magnitud similar, aunque ligeramente reducida. Los sistemas bifaciales verticales resultaron más sensibles y, en algunos casos, el impacto en la PVOUT fue mayor que el error original del GHI.
La implicación práctica es importante: un sesgo de ±2 % en el GHI puede traducirse en una desviación de aproximadamente ±2 % en el Índice de Rendimiento Energético (EPI). Un sesgo negativo en el GHI puede inflar el EPI y ocultar un rendimiento inferior al esperado, mientras que un sesgo positivo en el GHI puede deflacionar el EPI y hacer que una planta en buen estado parezca peor de lo que es.
Por eso es imprescindible realizar un control de calidad antes de calcular el EPI. Un problema de medición no detectado puede hacer que un activo con dificultades parezca perfectamente sano sobre el papel.
La evaluación del rendimiento fotovoltaico se utiliza a menudo para responder a una pregunta sencilla: ¿está rindiendo la planta según lo esperado? Pero responder a esa pregunta depende de la calidad de los datos de referencia.
Si la irradiancia medida es errónea, el índice de rendimiento, el EPI, la validación del modelo y el análisis del bajo rendimiento pueden verse distorsionados. Una planta puede parecer en buen estado cuando su rendimiento es inferior al esperado, o tener un rendimiento inferior cuando el verdadero problema radica en la referencia de medición.
Por eso, el control de calidad de las mediciones no es solo un paso técnico de depuración. Forma parte de la gestión de la incertidumbre. El estudio muestra que omitir el control de calidad puede introducir errores comparables a los de la cadena de incertidumbre de la simulación en su conjunto.
Para los equipos de proyectos fotovoltaicos, hay tres conclusiones clave que se desprenden de nuestro análisis:
Los datos medidos siguen siendo esenciales para la evaluación del rendimiento fotovoltaico, la adaptación al emplazamiento, la validación de modelos y la toma de decisiones. Pero no deben darse por correctos automáticamente. Solo tras un control de calidad adecuado pueden convertirse en una base fiable para reducir la incertidumbre y obtener una evaluación del rendimiento más fidedigna.
