Estudio para reducir el error en la predicción de radiación

La Universidad de Jaén continúa con su apuesta decidida en la investigación. De esta manera, profesores del grupo “Modelización de la Atmósfera” (Matras) y de “Computación evolutiva y redes neuronales” (Evannai) de la Universidad Carlos III de Madrid desarrollaron una combinación óptima de los modelos de predicción de radiación solar que reduce entre un 25 y un 30% el error en los pronósticos a corto plazo (seis horas). “Una de nuestras líneas de investigación es el desarrollo de modelos que sean capaces de pronosticar lo que va a producir una central de energía renovable, eólica o solar, con antelación”, explica David Pozo, principal responsable del estudio y catedrático de Física Aplicada de la UJA.

“El pronóstico de la radiación solar es muy complicado porque depende de la nubosidad y del viento y está sujeto a una gran incertidumbre. Las predicciones de la radiación solar es importante para la gestión del sistema eléctrico, si no lo hacemos de forma certera, la radiación solar no se puede aprovechar bien la energía solar, por lo que se produce un desaprovechamiento de los recursos”, señaló Pozo. El proyecto, pionero a nivel mundial, se centró concretamente en la mejora del pronóstico de la radiación solar a corto plazo, en escalas de minutos a horas y días, en la Península Ibérica. Para ello, analizaron cinco modelos distintos: basados en cámaras de nubes; estadísticos basados en medidas: en imágenes satélites; numéricos de predicción meteorológica y un híbrido de estos dos últimos. “No existe el mejor modelo de predicción, sino que cada uno puede ser el óptimo en función del horizonte de predicción, las condiciones meteorológicas o el emplazamiento. En nuestro caso, seleccionamos cuatro estaciones meteorológicas, situadas en Sevilla, Lisboa, Madrid y Jaén, como zonas representativas para la evaluación”, indicó el investigador principal.

El resultado más impactante obtenido es que la combinación óptima de los modelos rebaja la predicción de error en torno a un 30% respecto al mejor de los modelos en cada horizonte temporal. “Es la primera vez que se comparan de forma independiente y gracias a la inteligencia artificial y al tratamiento matemático hemos logrado reducir el margen de error en cada horizonte de predicción, lo que supone un ahorro económico porque disminuye el coste de integración de la energía solar”.