La variabilidad del recurso solar es una característica natural inevitable que afecta a la previsión de la energía solar. Sin embargo, su impacto en la incertidumbre de la previsión puede reducirse proporcionando información sobre la incertidumbre de la previsión, junto con los valores de previsión deterministas. Disponer de esta información puede ayudar a las empresas de servicios públicos, a los productores independientes de energía y a los operadores de la red a minimizar el riesgo asociado al proceso de toma de decisiones para la gestión de la red en un mercado energético diario.
Variabilidad del recurso solar
La caracterización del recurso solar se calcula a menudo en términos de magnitud, por ejemplo, identificando cuánta energía solar está disponible en un área de interés durante un período de tiempo específico. Sin embargo, una caracterización completa del recurso solar debe incluir información sobre la variabilidad temporal y espacial del recurso a lo largo del tiempo, ya sea a escala de segundos o de décadas. Las características temporales y espaciales del recurso solar son el resultado de las variaciones en la cantidad y tipos de nubes. La figura 1 muestra la inevitable variabilidad espacial y temporal del recurso solar, para un mismo día en diferentes NOAA SURFRAD estaciones de Estados Unidos.
En un entrada anterior del bloghablamos de cómo la variabilidad solar puede afectar al trabajo de las empresas de servicios públicos y de los operadores de la red y proporcionamos un ejemplo de cómo podemos utilizar nuestro histórico Datos de SolarAnywhere para cuantificar esa variabilidad. En esta entrada, explicaremos los resultados recientes que validan cómo este enfoque puede aplicarse a cualquier generador solar en los Estados Unidos.
La creciente industria solar y sus retos
A medida que la industria solar sigue creciendo, la necesidad de integrar sistemáticamente la energía solar es cada vez más importante. Según un informe de la Administración de Información Energética de EE.UU. (EIA), las previsiones de crecimiento de la electricidad estadounidense a partir de la generación eólica y solar se deben a un fuerte impulso de los organismos estatales y federales, que están aplicando políticas para conceder subvenciones y establecer normas de cartera de renovables. Por ejemplo, la EIA prevé que las fuentes renovables constituyan El 25% del aumento de la generación total de capacidad en todo el sector de la energía eléctrica entre 2013 y 2018.
Un artículo reciente de The Guardian informaba de que la energía solar estadounidense alcanzó una capacidad instalada de megavatios sin precedentes en 2016, en parte debido a la oleada de políticas federales y estatales, así como a la economía positiva del sector, tanto en Estados Unidos como en la mayoría de los países. Este aumento en el crecimiento de la energía solar presenta desafíos debido a la variabilidad de la energía solar y trae consigo el potencial de inestabilidad de la red.
Los operadores del sistema utilizan las previsiones de carga diarias para ayudar a programar la cantidad de energía necesaria para cada hora del día siguiente. Por lo tanto, proporcionar a los operadores del sistema una previsión precisa de la energía solar en el día y la información sobre la incertidumbre de la previsión les ayudará a tomar decisiones tempranas sobre la cantidad de electricidad que se necesitará de otras fuentes no solares. Sin embargo, la variabilidad y la incertidumbre de la energía solar son diferentes a las de los recursos tradicionales de generación despachables y pueden ser difíciles de integrar en los procedimientos estándar de funcionamiento del sistema
Por ejemplo, el paso de las nubes hace que sea difícil confiar en la previsión del día siguiente para la programación con la misma confianza que las fuentes de energía tradicionales, que están disponibles en cualquier momento del día. El reciente estudio del Laboratorio Nacional de Energías Renovables (NREL) muestra que la integración del 25% de la penetración de la energía solar en ISO-NE con previsiones para el día siguiente y cuatro horas antes reduce los costes netos de generación en un 22,9%. Sin embargo, si los operadores del sistema o los gestores de la red no tienen en cuenta las previsiones de energía solar, la reducción de los costes netos de generación será sólo del 12,3% (debido únicamente al aumento de la penetración), lo que daría lugar a que el sistema eléctrico experimentara un exceso de compromiso de generación o una restricción de la energía solar mucho mayor. Por lo tanto, la mejora de las previsiones de energía solar y la incorporación de la incertidumbre de las previsiones aumentará el valor de las mismas, lo que permitirá mejorar la toma de decisiones en la asignación de recursos y la estabilidad de la red.
Se avecina un futuro en el que un número suficiente de personas generará energía solar en sus tejados para aumentar significativamente la cuota de fuentes de energía solar de los servicios públicos. Esto crea el potencial de una enorme tasa de rampa que podría desestabilizar la red eléctrica local. Por lo tanto, las previsiones precisas sobre cómo y cuándo ocurrirá esto son esenciales para mantener un sistema funcional. Veamos un enfoque que hemos desarrollado y seguimos avanzando en Clean Power Research.
Modelo de caracterización de la variabilidad de los recursos
Nuestro objetivo de investigación es mejorar la predictibilidad de la energía solar y la cuantificación de la incertidumbre para minimizar el riesgo asociado a la asignación de recursos y ayudar a mejorar el proceso de toma de decisiones de las partes interesadas. Recientemente, hemos creado un modelo de caracterización de la variabilidad de los recursos de última generación. El modelo se basa en el índice de cielo claro, denominado "Kt", que es un indicador de la transparencia de la atmósfera a la radiación solar entrante.
Aquí demostramos cómo SolarAnywhere los datos del recurso solar son eficaces para estudiar la variabilidad del recurso solar (a través de una métrica llamada Variabilidad Nominal) y cómo puede utilizarse para predecir la incertidumbre de las previsiones. Se puede encontrar una explicación detallada del Kt y de la variabilidad nominal en nuestro entrada anterior. Hay un par de razones por las que se prefieren los datos satelitales (Figura 2, izquierda) a los datos terrestres (Figura 2, derecha) para las aplicaciones de variabilidad del recurso y predicción de la incertidumbre de la previsión solar.
- Las estaciones de medición terrestres están distribuidas de forma muy desigual y tienen datos históricos limitados.
- Las normas de calibración, los procedimientos de mantenimiento y los periodos históricos de medición varían mucho entre las entidades -ya sean gubernamentales, sin ánimo de lucro o comerciales- responsables de las estaciones de medición en tierra.
- A medida que aumenta la distancia de una estación de medición solar, aumenta la incertidumbre de los valores de irradiación interpolados.
El cálculo del valor diario de Kt a partir de SolarAnywhere muestra una gran similitud con hacerlo con datos terrestres de calidad para la misma ubicación, como se muestra en la Figura 3.
Por lo tanto, los datos históricos de SolarAnywhere pueden utilizarse como un proxy fiable de los datos terrestres para la caracterización de la variabilidad del recurso solar. Se trata de una herramienta útil para que los promotores de proyectos solares comprendan la variabilidad del recurso en cualquier punto de la tierra para las ubicaciones de sus respectivos proyectos y realicen una mejor evaluación del riesgo. Además de caracterizar el recurso solar en un lugar determinado utilizando el modelo de variabilidad nominal basado en satélites, también llevamos el modelo un paso más allá para utilizarlo en la predicción de la incertidumbre de la previsión solar en el día.
Cuantificación de la incertidumbre de las previsiones solares
La cuantificación de la variabilidad asociada a las previsiones de generación de energía solar en el día es esencial para el éxito de la integración de la energía solar en la red. Estas incertidumbres pueden cuantificarse adecuadamente como probabilísticas (la posibilidad de que se produzca un valor de previsión determinado) en lugar de deterministas (un valor de previsión único y absoluto).
Introducimos una nueva estrategia de cálculo de intervalos de confianza para cuantificar la estimación de la incertidumbre de las previsiones de energía solar diurnas obtenidas a partir del Previsiones deterministas basadas en NWP. Esta combinación particular de valor de previsión determinista y modelo de variabilidad del recurso solar derivado de datos históricos de SolarAnywhere es la primera vez que Clean Power Research aplica una técnica de este tipo para la cuantificación de la incertidumbre de las previsiones. Los resultados muestran que dichas técnicas pueden utilizarse para mejorar el valor de la previsión solar en varios lugares. Los modelos de previsión NWP para los que se ha probado la técnica son:
- Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF)
- Sistema de Previsión Global (GFS)
- Base de datos de previsión digital nacional (NDFD)
Antes de aplicar el modelo de variabilidad del recurso solar para determinar la incertidumbre de la previsión, investigamos si el rendimiento de la previsión determinista está en función de las condiciones meteorológicas, clasificando los valores de la previsión solar en diferentes valores del índice de cielo despejado diario (Kt diario). Cuanto más altos sean los valores del Kt diario, más claro será el tiempo. Un valor de Kt diario de 1 corresponde a un día de cielo despejado y un valor de Kt diario de 0 corresponde a una condición de cielo totalmente nublado.
La figura 4a muestra los gráficos de dispersión de una previsión del ECMWF con respecto a los valores de irradiación de las estaciones SUFRAD para los días con valores diarios de Kt entre 0,4 y 0,7 (días dominados por condiciones parcialmente nubladas) y la figura 4b muestra el gráfico de dispersión para los días con valores diarios de Kt superiores a 0,7 (días mayoritariamente despejados). El gráfico de dispersión para los días parcialmente nublados muestra que el rendimiento de la previsión no es tan bueno para esos días. Sin embargo, para los días con cielos mayoritariamente despejados la previsión funciona muy bien, con muy pocos puntos dispersos más allá de la línea 1 a 1 (450). Los mismos resultados se han observado para los modelos de previsión GFS y NDFD, en los que las previsiones son mejores durante las condiciones de cielo despejado y se apartan de los datos medidos cuando está parcialmente nublado.
También hemos observado los valores del sesgo de previsión solar (previsión menos observación) para diferentes condiciones meteorológicas en la figura 5. De las figuras se desprende que los valores diarios más altos de Kt (condición de cielo despejado o casi despejado) se asocian a una distribución del sesgo de previsión más ajustada en torno a los valores cero, lo que significa que el valor previsto está muy cerca del valor real. Por lo tanto, es evidente que podemos caracterizar la incertidumbre de la previsión utilizando alguna función de la métrica de la transparencia atmosférica (en este caso el Kt diario), que es un proxy de la variabilidad del recurso solar (variabilidad nominal - como se muestra en la figura 3).
A continuación, ajustamos los modelos de variabilidad nominal desarrollados con los datos históricos de SolarAnywhere a la previsión determinista y creamos un intervalo de confianza del 68% para la incertidumbre de la previsión. La figura 6 muestra la previsión probabilística del ECMWF para dos días con diferentes sistemas meteorológicos. La figura de la izquierda muestra el día con una condición de cielo relativamente claro y la figura de la derecha es para una condición parcialmente nublada para la estación SURFRAD de Penn State, con un clima continental húmedo (húmedo con condiciones de invierno severas y verano cálido).
Podemos ver claramente que la envolvente de incertidumbre para el día despejado es relativamente más ajustada y que la envolvente de incertidumbre para el día parcialmente nublado es más amplia. Sin embargo, en ambos casos los datos medidos están dentro de una envolvente. Podemos predecir con una precisión del 100% que la previsión está dentro de la región sombreada que indica un intervalo de confianza (IC) del 68%. A medida que aumenta el IC, aumenta la probabilidad de predecir con exactitud la previsión. En este caso, intentamos que el IC sea más estrecho para poder construir modelos de previsión precisos.
La figura 7 muestra la incertidumbre del pronóstico del ECMWF para Goodwin Creek, MS, que tiene un clima subtropical húmedo. La incertidumbre del pronóstico de Goodwin Creek también se predijo con muy buena precisión. Hay casos en los que el valor de irradiancia medido puede ir más allá del valor de irradiancia del cielo despejado debido a los aumentos de los bordes de las nubes, lo que se muestra en el panel izquierdo de la Figura 8. Sin embargo, incluso en esos días el límite superior de la envolvente está cerca de la previsión y minimiza el error de previsión en comparación con la previsión determinista real.
La figura 8 muestra la previsión NDFD para Desert Rock, que tiene un clima árido seco (desierto). La figura muestra resultados similares a los de los casos de previsión anteriores. En el panel izquierdo de la figura vemos que un cúmulo de pequeña escala que pasa crea una depresión (agujero) en los datos medidos, que la previsión determinista no ve. Sin embargo, el límite inferior de la envolvente de la previsión se aproxima al valor medido y habría capturado completamente los datos medidos si el IC fuera del 95%.
La figura 9 muestra la incertidumbre de la predicción del GFS en la estación SUFRAD de Desert Rock. Podemos ver el efecto de una pequeña nube profunda durante el mediodía y la tarde para esta ubicación en estos dos días diferentes.
Para llevar
A medida que avanzamos hacia escenarios con mayores penetraciones de energía fotovoltaica en la red, unas previsiones más fiables y eficaces ayudarán a minimizar las posibles causas de inestabilidad de la red. Un modelo de variabilidad nominal desarrollado a partir de datos satelitales históricos de alta calidad y a largo plazo puede utilizarse para:
- caracterizar la variabilidad del recurso solar en un lugar determinado
- comprender mejor la variabilidad de los recursos
- ayudar a la selección de emplazamientos filtrando los que tienen una mínima variabilidad de recursos
- proporcionar la incertidumbre prevista con las previsiones solares del día anterior para tomar mejores decisiones para la asignación de recursos de generación de reserva
El siguiente paso para nosotros es aplicar este enfoque a nuestro servicio de previsión en SolarAnywhere. Invitamos a nuestros usuarios a que nos digan en qué casos puede ser útil este tipo de aplicación en sus operaciones y cómo incorporarían este nivel añadido de inteligencia en su proceso de toma de decisiones. Para ello, póngase en contacto con nosotros en SolarAnywhereSupport@cleanpower.com.