Predecir las pérdidas de energía causadas por la acumulación de polvo y suciedad

En todo el mundo, muchos de los lugares que ofrecen la mayor irradiación solar también tienen el inconveniente de las condiciones secas y polvorientas del suelo, que pueden causar diversos problemas para el rendimiento del sistema fotovoltaico.

Hacer frente a las pérdidas causadas por la acumulación de polvo en la superficie de un módulo es un gran negocio para la industria fotovoltaica, ya que estas pérdidas pueden convertirse rápidamente en importantes pérdidas de ingresos. Limpiar los módulos con demasiada frecuencia o invertir en un equipo de limpieza inadecuado también puede perjudicar la rentabilidad de un proyecto. Por eso, los promotores de proyectos fotovoltaicos y los operadores de sistemas valoran mucho la capacidad de predecir con exactitud las pérdidas por suciedad a corto y largo plazo.

Existen varios enfoques, que emplean distintas combinaciones de sensores in situ, datos climáticos históricos, datos meteorológicos locales, imágenes por satélite, etc. Un grupo de científicos dirigido por la Universidad de Chipre ha intentado comparar la precisión de algunos de estos métodos, comparando modelos de predicción de pérdidas por ensuciamiento con datos de una instalación de prueba en el campus de la Universidad de Chipre en Nicosia.

Aprendizaje automático
Las pérdidas por suciedad en la instalación de prueba se calcularon comparando un conjunto de módulos limpios y otros sin limpiar. Se evaluó la precisión de seis modelos diferentes, tres basados en un modelo físico y tres basados en el aprendizaje automático.

Los tres modelos “físicos” son métodos bien establecidos para modelizar la suciedad, mientras que los métodos de aprendizaje automático son programas de código abierto que se aplican por primera vez a la medición de la suciedad. En el artículo “Characterizing soiling losses for photovoltaic systems in dry climates: A case study in Cyprus” (Caracterización de las pérdidas por ensuciamiento de los sistemas fotovoltaicos en climas secos: Un estudio de caso en Chipre), publicado en Solar Energy.

La evaluación mostró que los modelos físicos, alimentados con datos observados sobre el terreno, alcanzaron la mayor precisión, con tasas de error (error cuadrático medio) del 1,16% en las pérdidas diarias por ensuciamiento y del 0,83% en las pérdidas mensuales por ensuciamiento, para el modelo de aprendizaje automático de mayor rendimiento, denominado CatBoost.

Los enfoques de aprendizaje automático, sin embargo, no se quedaron muy atrás, con un 1,55% de error en las pérdidas diarias por suciedad y un 1,18% en las mensuales. Los investigadores señalan que, dadas las deficiencias en la disponibilidad de datos observados sobre el terreno que cubran todo un emplazamiento durante un periodo suficiente, los modelos de aprendizaje automático, basados en datos ambientales recogidos por satélite, también podrían ser un enfoque útil.

“La modelización de la suciedad con este tipo de datos medioambientales obtenidos por satélite podría ayudar a programar estrategias y operaciones de O&M a lo largo del año para minimizar la pérdida de suciedad, sobre todo en regiones áridas y polvorientas, donde pueden producirse cambios repentinos en la carga de aerosoles y las precipitaciones son mucho menos frecuentes”, explican los investigadores.