Marcel Suri
Jun 25, 2025
A medida que los proyectos solares se hacen más complejos, también aumenta la necesidad de datos solares y meteorológicos de alta calidad capaces de ofrecer la mayor precisión posible en las simulaciones fotovoltaicas. Aunque los conjuntos de datos del Año Meteorológico Típico (TMY) han sido durante mucho tiempo un estándar fiable del sector, sus limitaciones son cada vez más evidentes, no sólo para proyectos complejos a gran escala, sino incluso para proyectos más sencillos.
Los conjuntos de datos TMY siguen siendo útiles en las primeras fases de las evaluaciones de prefactibilidad. Sin embargo, ya no son suficientes para la modelización del rendimiento y el análisis financiero.
Hoy en día, ya no estamos limitados por las limitaciones computacionales o la escasez de datos que nos frenaban en el pasado. Gracias a los modelos basados en satélites y a los avances de la computación en nube, disponemos de conjuntos de datos de alta resolución. Y cuando se dispone fácilmente de datos más detallados, ¿por qué confiar en un estándar obsoleto?
Al igual que en su día pasamos de las pantallas de televisión de baja resolución a las de ultra alta definición, la industria solar debe dar ahora el mismo salto y adoptar los datos de series temporales de alta resolución como el nuevo estándar.
La mayoría de los modelos del sector disponibles en la actualidad siguen basándose en la TMY horaria, que agrega datos históricos en un año "típico" sintético, suavizando la variabilidad natural e ignorando las fluctuaciones meteorológicas diarias e interanuales que afectan al comportamiento real del sistema fotovoltaico. Como resultado, el TMY no es capaz de reflejar la variabilidad habitual de las condiciones meteorológicas y no proporciona una base fiable para las simulaciones.
Por ejemplo, las caídas repentinas o los cambios rápidos en la radiación solar pueden suponer una sorpresa desagradable y provocar un descenso de la producción y, por tanto, de los ingresos y los beneficios. Por esta razón, los desarrolladores necesitan datos con una resolución temporal inferior a la horaria, para poder predecir mejor estos sucesos y prepararse para cambios meteorológicos de alta frecuencia.
En cambio, los datos de series temporales tienen en cuenta cada año real de los últimos, por ejemplo, 30 años. En el caso de las series temporales de 15 minutos, cada año se divide en intervalos de 15 minutos, lo que permite tener más en cuenta los fenómenos meteorológicos extremos y ofrecer datos específicos de cada lugar con un nivel de detalle sin precedentes.
los datos de series temporales de 15 minutos son, por tanto, una alternativa más viable a las TMY porque, al abordar la variabilidad meteorológica, mejoran la precisión y fiabilidad generales de las simulaciones fotovoltaicas.
Esta figura muestra las temperaturas máximas del aire a lo largo de 30 años (1994-2024) representadas por datos TMY horarios y TS horarios. Mientras que el conjunto de datos TMY muestra un valor medio de 34 grados Celsius, los datos de series temporales de mayor granularidad ofrecen una visión más realista de las condiciones solares y meteorológicas reales de cada año.
Para ilustrar mejor el impacto de la granularidad de los datos en las simulaciones fotovoltaicas, comparemos cómo los conjuntos de datos Long-Term Average (LTA), TMY y TS representan el mismo periodo.
Los datos dela media a largo plazo (LTA) suponen que todos los días de febrero son idénticos cada año: soleados, despejados y sin variabilidad en la radiación solar. Esto no proporciona una evaluación suficientemente precisa del rendimiento fotovoltaico, ya que el tiempo real en febrero puede incluir condiciones de cielo nublado, precipitaciones, oscilaciones de temperatura e inestabilidad de la irradiancia causada por nubes en movimiento.
Datos mensuales de la media a largo plazo (LTA) de febrero. Fuente: Solargis Analyst.
Si la TMY se genera sintéticamente a partir de datos LTA, introduce cierta variabilidad, pero es artificial. El margen de error con respecto a las condiciones reales puede alcanzar fácilmente el 10%. Además, las incoherencias entre variables clave como el GHI y la temperatura pueden dar lugar a escenarios poco realistas -por ejemplo, un GHI bajo con una temperatura alta- que, en última instancia, subestiman la producción fotovoltaica.
Realizar simulaciones fotovoltaicas con datos horarios del TMY significa asumir que todos los días de febrero de todos los años pueden representarse mediante un único conjunto de 28 días "típicos".
Datos horarios del Año Meteorológico Típico (TMY) para el mes de febrero. Fuente: Solargis Analyst.
El TMY permite cierta variabilidad del tiempo en febrero, aunque sólo cubre 28 instancias (28 días). Pero ya se pueden considerar días en los que el GHI supera los 800 W/m² (cuando el LTA suponía que el GHI alcanzaba un máximo de 700 W/m²), o en los que está nublado y el GHI ni siquiera alcanza los 200 W/m². También hay que tener en cuenta la variabilidad de la GHI debida a las nubes en movimiento.
En cambio, los datos de las series temporales (ST) captan todo el espectro de la variabilidad histórica. Tiene en cuenta todos los días reales de febrero a lo largo del periodo de 30 años - más de 800 días de febrero - ofreciendo una representación detallada de las condiciones solares, incluyendo escenarios raros y extremos.
Datos de series temporales (TS) para cada día real de febrero a lo largo del periodo de 30 años. Fuente: Solargis Analyst.
Mientras que las simulaciones basadas en el TMY a menudo producen predicciones demasiado optimistas y diseños de sistemas subóptimos, los datos de series temporales permiten una comprensión realista de cómo funcionará una planta fotovoltaica en una amplia gama de condiciones del mundo real. Proporcionan la base para unas expectativas precisas en las operaciones, la planificación del mantenimiento y la modelización económica.
Expresada en número de puntos de datos, la diferencia de granularidad es significativa. Mientras que la mayoría de los modelos industriales que se basan en datos TMY horarios proporcionan 8.760 puntos de datos al año (24 horas x 365 días), los datos TS de 15 minutos a lo largo de un periodo de 30 años ofrecen 1.051.200 puntos de datos (30 años x 8.760 horas x 4 intervalos por hora) - proporcionando 120 veces más información útil que TMY.
Comparación de puntos de datos por parámetro de datos TMY de una hora, TMY de 15 minutos y Series Temporales de 15 minutos.
Trabajar con más de 1 millón de puntos de datos por parámetro -frente a los 8.760 de los modelos tradicionales basados en TMY- permite no sólo mejorar significativamente las simulaciones de rendimiento energético, sino también elaborar modelos financieros más sólidos y con mayor capacidad de financiación. El paso a los datos de series temporales no es sólo una mejora técnica; es fundamental para mejorar el retorno de la inversión, garantizar la financiación y ofrecer un rendimiento fotovoltaico fiable a largo plazo.
La modelización precisa del rendimiento fotovoltaico es uno de los aspectos más cruciales para garantizar la financiación de proyectos solares por parte de bancos e inversores. El aumento de la variabilidad meteorológica, unido a un mercado energético más competitivo y a la volatilidad del valor de la electricidad, ha hecho que los agentes financieros eleven sus exigencias. Hoy en día, bancos, inversores y aseguradoras exigen evaluaciones más rigurosas y basadas en pruebas del rendimiento energético y los riesgos operativos. Los proyectos que se basan únicamente en datos de TMY no suelen cumplir estas expectativas.
Debido a la mayor frecuencia y gravedad de los fenómenos meteorológicos extremos -junto con los daños que causan a los activos y a la producción de energía-, los promotores deben tener en cuenta las posibles pérdidas derivadas de los fenómenos meteorológicos extremos y la probabilidad de que se produzcan. Al fin y al cabo, estas son preocupaciones fundamentales para las instituciones financieras y las aseguradoras.
Las entidades crediticias se ven obligadas a examinar los proyectos con mayor detenimiento, sobre todo porque las primas de los seguros se disparan en respuesta a las pérdidas relacionadas con el clima. En 2024, las primas de los seguros de energías renovables aumentaron entre un 20% y un 40% respecto al año anterior. Esto refleja la creciente toma de conciencia de que las previsiones de baja resolución no logran anticipar el bajo rendimiento o el fallo de los equipos durante eventos de gran impacto.
Dado que los datos TMY no captan con precisión la frecuencia o el impacto de los fenómenos extremos -como olas de calor, tormentas o nubosidad prolongada-, los modelos basados en TMY subestiman sistemáticamente la exposición al riesgo y exageran la consistencia del rendimiento.
En cambio, los datos de series temporales ofrecen varias ventajas estratégicas:
Modelización de pérdidas más precisa: Los desarrolladores pueden simular el estrés de los equipos, los riesgos de reducción o la variabilidad de la producción en condiciones meteorológicas extremas realistas.
Mejora de la diligencia debida: Los financiadores tienen acceso a predicciones detalladas del rendimiento energético, lo que les ayuda a comprender los mejores y los peores escenarios.
Mayor transparencia y confianza: Un modelo basado en datos de series temporales armonizados y basados en la física puede validarse, auditarse y reproducirse, requisitos esenciales para los inversores institucionales.
Alineación con los requisitos de los seguros: La modelización de alta resolución permite realizar evaluaciones de riesgo más sólidas, lo que posibilita condiciones de seguro más favorables y reduce los riesgos de denegación de cobertura.
En última instancia, los proyectos fotovoltaicos deben competir no sólo en capacidad y LCOE, sino también en credibilidad. Una planta solar que funciona bien en teoría pero fracasa en el mundo real ya no satisfará a los financiadores. A medida que los inversores se vuelven más conscientes del riesgo, la industria debe elevar sus estándares de datos en consecuencia. Esto significa ir más allá de los TMY y adoptar datos de series temporales de alta resolución como nueva base para la evaluación de proyectos fotovoltaicos.
En Solargis, nuestra misión es aportar rigor científico, transparencia y mayor precisión al modelado de proyectos solares. Hemos creado Solargis Evaluate basándonos en este principio.
Por defecto, Solargis Evaluate utiliza datos de series temporales de 15 minutos que abarcan hasta 30 años para simular el rendimiento fotovoltaico con una precisión sin precedentes. Esto permite a los desarrolladores modelar mejor el comportamiento de los inversores y diseñar sistemas resistentes a los cambios repentinos de las condiciones. Los operadores de red y los desarrolladores pueden anticiparse eficazmente a las variaciones de rendimiento en tiempo real, reduciendo el riesgo de no cumplir los requisitos de demanda de energía establecidos en los contratos con los proveedores de energía, así como minimizando la inestabilidad en el funcionamiento de las plantas fotovoltaicas.
