La suciedad y la nieve en los sistemas fotovoltaicos pueden provocar importantes pérdidas anuales de energía, que alcanzan hasta el50%1 y el 40%2 en determinadas regiones. Nuestro estudio investiga modelos comunes para estimar el impacto energético de la suciedad y la nieve. Mediante el análisis de estos modelos de pérdidas por suciedad y nieve con una resolución espacial de 1 km, la incorporación de parámetros típicos de los sistemas fotovoltaicos y el aprovechamiento de los conjuntos de datos SolarAnywhere V3.7, pretendemos destacar la variación de los modelos y la importancia de introducir datos precisos para minimizar la incertidumbre del rendimiento fotovoltaico.
Comprender las variaciones del modelo de suciedad
Los modelos de pérdida de suciedad de la Universidad Estatal de Humboldt (HS U) y de Kimber son los predominantes en el sector. Mientras que el modelo HSU se basa en la materia particulada (PM2,5, PM10) y la acumulación de lluvia como parámetros de entradaprincipales3 , el modelo Kimber se basa en las tasas de pérdida de suciedad supuestas aplicadas por el usuario y la frecuencia de limpieza del sistema.4 Para comparar simplemente los dos, el modelo HSU depende más de los datos meteorológicos observados, mientras que el modelo Kimber depende más de los datos empíricos y la práctica de la industria.
En la localidad de Harad (Arabia Saudí), muy sucia, el modelo HSU predice una pérdida de energía anual del 31,0%, mientras que el modelo Kimber calcula un 21,6%. Las pérdidas mensuales de energía por suciedad oscilan entre el 14,0% y el 34,4% en comparación con un sistema perfectamente limpio. Aunque ambos modelos tienen el mismo orden de magnitud para la estimación de pérdidas, varían significativamente en el impacto energético absoluto.
Figura 1: Comparación de los modelos HSU y Kimber de pérdida de suciedad
Comprender las variaciones de los modelos de nieve
Para este informe hemos analizado dos modelos de nieve: NREL y Townsend. El modelo NREL utiliza en sus cálculos un historial de la profundidad y la temperatura diarias acumuladas de la nieve y considera el deslizamiento de la nieve como el proceso dominante de retirada de la nieve, despreciando la fusión de la nieve y los efectos del viento.2 El modelo Townsend, por su parte, incluye la profundidad acumulada mensual de la nieve con entradas adicionales de condiciones ambientales como la temperatura, la humedad, la velocidad/dirección del viento y el contenido de humedad de la nieve.5
En la localidad nevada de Aurora (Minnesota), el modelo NREL predice una pérdida anual de energía del 17,3%, mientras que el modelo Townsend estima un valor inferior, del 3,1%. En este estudio, los resultados entre modelos difieren notablemente. Por ejemplo, la diferencia en el impacto de la pérdida de nieve entre modelos fue del 71,7% en el mes de enero. Garantizar unos parámetros de modelización adecuados es crucial para minimizar la incertidumbre y tiene un impacto significativo en los resultados. Una aplicación inadecuada del modelo y un ajuste por emplazamiento pueden reducir su eficacia práctica.
Figura 3: Comparación de los modelos de pérdida de nieve de NREL y Townsend
En la figura siguiente, representamos la pérdida de nieve máxima mensual prevista por el modelo NREL en Estados Unidos.
Figura 4: Porcentaje máximo mensual de pérdida de nieve (%)
Estrategias para caracterizar la incertidumbre de la suciedad y la pérdida de nieve de los proyectos fotovoltaicos
Las pérdidas estimadas por suciedad y nieve muestran una variabilidad considerable, dependiendo de la ubicación, la selección del modelo y los parámetros de entrada. Sin embargo, un hecho sigue siendo evidente: la suciedad y la nieve no mitigadas pueden tener un impacto significativo en el rendimiento fotovoltaico.
Clean Power Research® no puede respaldar un modelo sobre otro en términos de precisión, ya que los impactos estimados de la suciedad y la nieve utilizando estos modelos pueden variar significativamente en función de la ubicación y los parámetros de entrada. Sin embargo, mediante el empleo de varios modelos para la suciedad y la pérdida de nieve, junto con entradas de modelo precisas y datos de irradiancia fiables de SolarAnywhere, los expertos de la industria pueden establecer estrategias eficaces para minimizar la incertidumbre de rendimiento al modelar sistemas fotovoltaicos en condiciones climáticas complejas.
Haga clic en el siguiente enlace para obtener más información sobre los servicios de modelado energético de SolarAnywhere.
Referencias
1 Hicks, W. (2021, 1 de abril). Los científicos que estudian la energía solar intentan resolver un problema polvoriento. Laboratorio Nacional de Energías Renovables (NREL). Enlace
2 Keith, J., & Ryberg, D. (2017). Integración, validación y aplicación de un modelo de cobertura de nieve fotovoltaica en SAM. Laboratorio Nacional de Energías Renovables. Informe técnico n.º NREL/TP-6A20-68705. Enlace
3 Coello, M., & Boyle,L. (2019, 12 de junio) Simple Model For Predicting Time Series Soiling of Photovoltaic Panels. IEEE Journal of Photovoltaics. DOI: 10.1109/JPHOTOV.2019.2919628. Link
4 Kimber A, Mitchell L, Nogradi S, Wenger H. (2006). The Effect of Soiling on Large Grid-Connected Photovoltaic Systems in California and the Southwest Region of the United States. IEEE 4th World Conference on Photovoltaic Energy Conference. DOI: 10.1109/WCPEC.2006.279690. Enlace
5 Townsend, T., & Powers, L. (2011). Fotovoltaica y nieve: Una actualización de dos inviernos de mediciones en el SIERRA. 2011 37th IEEE Photovoltaic Specialists Conference (pp. 1-4). IEEE. DOI: 10.1109/PVSC.2011.6186627. Enlace