Investigadores de Perú han desarrollado un sistema autónomo y desplegable que, según se informa, puede cuantificar las pérdidas de energía por acumulación de polvo en las matrices fotovoltaicas antes de su implantación.
El enfoque propuesto combina métodos de redes neuronales y conductancia incremental, que es una de las técnicas de seguimiento del punto de máxima potencia (MPPT, por sus iniciales en inglés) más empleadas debido a su simplicidad y baja complejidad de implementación.
«Este sistema facilita el análisis de la suciedad tanto antes de la implementación como durante el funcionamiento de los sistemas fotovoltaicos. Puede tener en cuenta las inhomogeneidades espaciales de la acumulación de polvo y la degradación a largo plazo de los módulos fotovoltaicos mediante recalibración y reentrenamiento», explican los científicos. «El sistema propuesto integra una red neuronal artificial (RNA), un modelo eléctrico y un MPPT basado en la conductancia incremental. Esta combinación permite estimar las pérdidas diarias de energía debidas a la suciedad en un conjunto fotovoltaico con unos requisitos de mantenimiento mínimos».
El método propuesto se probó en un sistema que contenía un módulo fotovoltaico de prueba de silicio monocristalino de 5 W, un convertidor de inductancia primaria de un solo extremo CC-CC (SEPIC), un piranómetro, sensores de temperatura del módulo y un ordenador con un procesador ARM Cortex-172 de 28 nm que ejecuta la RNA. Además de las predicciones de la RNA, el grupo probó el sistema con un modelo eléctrico que utiliza la resolución iterativa, es decir, que repite el cálculo varias veces hasta obtener un buen resultado. Ambos sistemas utilizan como datos de entrada la irradiancia solar y la temperatura medidas.
Las pruebas tuvieron lugar entre septiembre de 2020 y septiembre de 2021, y el módulo fotovoltaico se limpió una vez al mes. Los datos del primer mes se utilizaron para entrenar el modelo de RNA, utilizando 14.000 mediciones en 150 iteraciones. El modelo eléctrico, por su parte, no necesitó entrenamiento, ya que se basa únicamente en los datos medidos y las especificaciones fotovoltaicas.
«Ambos modelos mostraron rendimientos comparables en la estimación de la producción de energía de un módulo fotovoltaico limpio, con el modelo RNA demostrando menores costos computacionales», dijeron. «El modelo RNA también mostró una precisión ligeramente superior, con un error medio porcentual absoluto (MAPE) del 0,5% frente al 0,6% del modelo eléctrico. Estos resultados indican que, aunque ambos modelos son eficaces, el modelo RNA ofrece ventajas en términos de eficiencia computacional y adaptabilidad para el reentrenamiento con el fin de compensar la degradación del módulo a largo plazo».
Los resultados de las pruebas realizadas durante un año mostraron que, con un programa de limpieza mensual, las pérdidas de energía debidas a la suciedad oscilaban entre el 4% y el 7% durante la mayoría de los meses. Se registraron pérdidas elevadas, de hasta el 10%, en los meses con actividades de construcción cercanas. «Nuestros resultados demuestran la capacidad del sistema para predecir con exactitud las pérdidas de rendimiento debidas a la suciedad sin necesidad de una configuración completa del sistema fotovoltaico», destacaron los investigadores.
Para concluir su trabajo, añadieron que «el sistema de neuroconductancia incremental presenta una solución robusta y flexible para cuantificar las pérdidas por suciedad en módulos fotovoltaicos, contribuyendo a programas de mantenimiento más eficaces y a mejorar el rendimiento de las plantas fotovoltaicas».
El sistema se presentó en «Incremental neuroconductance to analyze performance losses due to soiling in photovoltaic generators» (Neuroconductancia incremental para analizar pérdidas de rendimiento por suciedad en generadores fotovoltaicos), publicado en Energy Reports. La investigación fue realizada por científicos de la Universidad Nacional de San Agustín y la Pontificia Universidad Católica del Perú.
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.