Introducción
Además de los datos de series temporales de resolución estándar y mejorada, SolarAnywhere® ofrece datos de series temporales de alta resolución y de año típico (TGY/TDY) para una modelización fotovoltaica subhoraria más precisa. Los datos de alta resolución tienen las siguientes características clave:
- Datos anuales típicos de uno y cinco minutos, La oferta más avanzados de SolarAnywhere: Typical GHI Year (TGY) y Typical DNI Year (TDY). Diseñados para satisfacer la creciente necesidad de precisión en la modelización fotovoltaica, estos conjuntos de datos aprovechan algoritmos de reducción de escala basados en IA para ofrecer granular recurso solar solares sintéticos con una variabilidad intrahoraria realista.
- Datos de series temporales de cinco minutos y 500 metros de resolución nominal nativa que utilizan la máxima resolución disponible de la última generación de satélites meteorológicos para la detección de nubes con el fin de proporcionar un rendimiento fotovoltaico subhorario superior y fiable. Los datos satelitales de resolución completa revelan la intermitencia del recurso solar.
- True Dynamics (TD), una metodología única para preparar imágenes de satélite para análisis subhorarios y una característica de los datos de series temporales de alta resolución de SolarAnywhere. True Dynamics describe los datos solares que se han aumentado con técnicas estadísticas para que se comporten de forma más parecida a las mediciones terrestres de la luz solar real. La TD se aplica a todas las solicitudes de datos de series temporales de alta resolución (5 minutos, 500 metros).
Aplicaciones de los datos de alta resolución de SolarAnywhere
Evaluación de las pérdidas por recorte
Los días luminosos y soleados suelen verse interrumpidos por nubes intermitentes que se desplazan por la instalación fotovoltaica en una escala de tiempo inferior a una hora, lo que provoca variabilidad a corto plazo y, posiblemente, recortes intermitentes.1 El uso de datos horarios para predecir la potencia en días luminosos pero nublados puede dar lugar a una producción de energía sobreestimada si la irradiancia media durante una hora da como resultado una potencia generada superior a la potencia nominal máxima del inversor. En 2012, los investigadores de Sandia descubrieron que las simulaciones con promedios horarios sobreestimaban la producción anual hasta en un 2%.5
Más recientemente, la sobreestimación de la energía de CA debido a las pérdidas por recorte se ha estimado en un 1,5-4% anual, dependiendo del diseño y la ubicación del sistema.6 La saturación o recorte del inversor se produce cuando la potencia de CC del campo fotovoltaico supera la capacidad máxima de entrada del inversor. En respuesta, el inversor ajusta la tensión de CC para reducir la potencia de CC. Esto provoca una pérdida de producción de potencia de CC, también conocida como "recorte del inversor". Las relaciones CC:CA más elevadas provocan mayores pérdidas por recorte. Con el aumento del número de grandes plantas de energía solar a escala de servicios públicos, las relaciones DC:AC más altas son cada vez más comunes, y algunas plantas solares ahora incluso cuentan con relaciones DC:AC tan altas como 1,8.
El modelado de la producción fotovoltaica con datos de alta resolución en lugar de datos de resolución horaria puede dar lugar a estimaciones de pérdidas por recorte y de producción fotovoltaica más precisas y específicas del emplazamiento.7 En pruebas internas, las simulaciones de 5 minutos con datos True Dynamics de SolarAnywhere redujeron los errores de pérdidas por recorte en más de un 90% frente a los datos horarios para escenarios de alta relación CC:CA (véase la Figura 1). Además, al evaluar el error de estimación de energía en una serie de ratios de carga del inversor (ILR), ratios CC:CA y zonas climáticas, los datos TGY de 1 minuto proporcionaron sistemáticamente resultados más precisos que los datos horarios de tierra (véanse las figuras 2 y 3).
En la práctica, los usuarios también pueden comparar simulaciones con 1 minute y 5-minute con datos hora para estimar la pérdida de error de recorte adecuado para la simulación horaria.
Figura 1: Comparación del error estimado de las pérdidas por recorte de CA
Pérdidas estimadas en relación con las observaciones de 1 minuto para las observaciones promediadas por hora, las observaciones de 5 minutos, los datos de TD de SolarAnywhere por hora, SolarAnywhere de 5 minutos y SolarAnywhere de 5 minutos
Figura 2: Error de estimación de la energía con determinados coeficientes de carga del inversor (ILR)
Error relativo de la estimación de energía para los datos de tierra promediados cada hora frente a los datos redimensionados de 1 minuto bajo diferentes ratios de carga del inversor (ILR) en Seattle durante 2021.
Figura 3: Error de estimación de la energía en las distintas zonas climáticas
Error relativo de la estimación de la energía de los datos terrestres promediados por hora frente a los datos redimensionados de 1 minuto a través de múltiples clasificaciones climáticas de Köppen-Geiger. (ILR = 1,5). Los gráficos de caja muestran que los datos modelizados de 1 minuto ofrecen sistemáticamente un error inferior en comparación con los datos horarios, lo que demuestra una mayor precisión para diversas condiciones climáticas.
Diseño de recursos energéticos solares híbridos
La gran variabilidad del recurso solar debida a las nubes en movimiento puede provocar fluctuaciones de la potencia fotovoltaica en escalas de tiempo subhorarias. A medida que aumentan las penetraciones fotovoltaicas, esta variabilidad puede tener un impacto negativo en la estabilidad de la red. Para mitigarlo, muchos códigos de red incorporan limitaciones de velocidad de rampa (RR) en la potencia fotovoltaica inyectada. Por lo general, estas limitaciones se definen en un marco temporal de un segundo o un minuto. Por ejemplo, Alemania y Puerto Rico exigen una tasa de rampa máxima del 10% por minuto de la potencia fotovoltaica nominal. Dado que las fluctuaciones transitorias de la potencia fotovoltaica pueden producirse en minutos, las simulaciones horarias son inadecuadas para modelar las rampas subhorarias de la potencia solar.
Con la maduración del mercado solar, los compradores piden cada vez más una producción de energía limpia y garantizada, independientemente de las condiciones meteorológicas. Los contratos de compraventa de energía solar están pasando de la unidad contingente a la energía solar firme, en la que el propietario de la planta solar puede verse obligado a incurrir en el riesgo meteorológico (o de forma). Por ello, los promotores de energía solar tienen que diseñar cada vez más sistemas que suministren energía firme de forma rentable, independientemente de las condiciones meteorológicas.
Las centrales híbridas de energía solar más almacenamiento pueden ayudar a las centrales fotovoltaicas a prestar servicios esenciales de equilibrado de la red y cumplir los requisitos de rampa y suavizado reduciendo la intermitencia solar. Su creciente popularidad queda patente en un informe del Berkeley Lab, según el cual las centrales híbridas de energía solar más almacenamiento dominan ahora las colas de interconexión en algunas regiones de EE.UU.8 Una mejor modelización fotovoltaica subhoraria con datos de alta resolución de SolarAnywhere puede ayudar a los promotores solares a optimizar el diseño de los proyectos fotovoltaicos y lograr márgenes de diseño más ajustados, reduciendo el gasto de capital (CAPEX) necesario para cumplir los requisitos del proyecto.
Junto con los datos de hindcast para evaluar el despacho de baterías y las estrategias de reafirmación, los usuarios de SolarAnywhere pueden obtener los datos solares de próxima generación necesarios para modelar con confianza los recursos de energía solar híbrida actuales.
Datos del año tipo de alta resolución
Los datos de alta resolución del año tipo permiten una serie de valiosas aplicaciones, como el análisis de pérdidas por recorte, el modelado de despacho de baterías, la diligencia debida y la evaluación del rendimiento energético.
Los datos de años típicos de 1 y 5 minutos pueden descargarse del sitio web de datos de SolarAnywhere o solicitarse a través de la API con acceso a una licencia TypicalYear+ y/o Sites. Estos conjuntos de datos están disponibles para todas las regiones entre +/-60° de latitud.
Metodología
Los conjuntos de datos de alta resolución de 1 y 5 minutos del año típico (TGY/TDY) de SolarAnywhere se han creado para soportar el modelado fotovoltaico subhorario con la máxima precisión temporal. La generación comienza con imágenes de satélite nativas, que luego se reducen a una resolución de uno o cinco minutos utilizando un modelo de IA estadística mejorado desarrollado por Clean Power Research.
Este modelo se basa en investigaciones anteriores realizadas por Clean Power Research y utiliza un enfoque de T-Copula para garantizar la coherencia estadística entre los totales de insolación horaria, mensual y anual. Para captar con precisión la variabilidad intrahoraria, se aplica un ajuste sintético de la variabilidad basado en amplios conjuntos de datos terrestres utilizados para entrenar el modelo. Este ajuste imita las fluctuaciones a corto plazo observadas en las mediciones de irradiancia en tierra, lo que da como resultado perfiles de recurso solar realistas que son ideales para aplicaciones de modelado avanzadas como el análisis de pérdidas por recorte y la simulación de despacho de baterías.
Validación de datos
Los datos de alta resolución del año típico de SolarAnywhere se han desarrollado mediante una rigurosa investigación y validación. La bancabilidad de los conjuntos de datos TGY/TDY de alta resolución se garantiza a través de las siguientes medidas:
- Conservación de la insolación anual: Los totales anuales de la Irradiancia Horizontal Global (GHI), la Irradiancia Normal Directa (DNI) y la Irradiancia Horizontal Difusa (DHI) en los conjuntos de datos de 1 y 5 minutos se validan para mantener la coherencia anual -dentro del 0,1%, y más a menudo dentro del 0,01%- de los valores horarios correspondientes.
- Patrones de variabilidad ajustados al terreno: El índice de Kolmogorov-Smirnov (KSI) del GHI, las tasas de rampa del GHI y la relación del índice de variabilidad (RVI) -definida como la relación entre la desviación estándar de los datos del GHI modelados en 1 minuto y la desviación estándar de los datos del GHI medidos en tierra en 1 minuto- se evalúan para confirmar una variabilidad intrahoraria realista.
- Comparación global de la verdad sobre el terreno: La validación se lleva a cabo con una resolución de 1 minuto a través de una red de estaciones terrestres de confianza, incluyendo sólo los sitios piranométricos de Clase A mantenidos según las normas de calidad de datos BSRN.
- Solidez en todos los climas: El marco de validación abarca diversas regiones y zonas climáticas, lo que garantiza la fiabilidad del modelo para proyectos en todo el mundo.
Las siguientes figuras representan un único periodo de 24 horas en la ubicación SURFRAD Bondville en Illinois. Demuestran que los datos GHI modelizados de 1 y 5 minutos se asemejan mucho a las mediciones terrestres, capturando eficazmente la variabilidad a corto plazo que se suaviza en los datos de 15, 30 y 60 minutos. Esto es evidente en los gráficos de series temporales, donde los datos modelizados de 1 minuto muestran una variabilidad similar a la de los datos terrestres, mientras que el modelo horario pasa por alto las fluctuaciones rápidas.
Figura 4: Comparación entre el GHI modelado por SolarAnywhere y los datos terrestres en SURFRAD Bondville (periodo de 12 horas)
Comparación de series temporales del GHI medido en tierra en 1 minuto frente al GHI modelado por SolarAnywhere con resoluciones de 1 y 60 minutos. Los datos modelados de 1 minuto siguen de cerca las observaciones terrestres en relación con la resolución de 60 minutos.
Figura 5: Comparación del GHI modelado por SolarAnywhere en SURFRAD Bondville (periodo de 12 horas)
Comparación de series temporales de la GHI modelizada por SolarAnywhere con distintas resoluciones (1 minuto, 5 minutos, 30 minutos y 60 minutos). Los datos modelizados de 1 minuto captan mejor la variabilidad a corto plazo que se suaviza en intervalos más gruesos.
Los gráficos de función de densidad de probabilidad (PDF) que se muestran a continuación para la irradiancia horizontal global (GHI) de 1 minuto y el índice de cielo despejado (kt) proporcionan una comparación estadística entre las mediciones terrestres y los datos modelados de SolarAnywhere. Cuando las PDF de los datos terrestres y modelados coinciden, se demuestra que los datos modelados reproducen con precisión la distribución de los valores de irradiancia y las condiciones de cielo despejado observadas en las mediciones reales. Para el GHI, esto significa que la frecuencia y la magnitud de los valores de irradiancia solar en el conjunto de datos modelizados son coherentes con los registrados por los sensores terrestres, capturando tanto las condiciones típicas como las extremas. Del mismo modo, para el índice de cielo despejado (kt), la estrecha coincidencia en las PDF indica que los datos modelizados reflejan de forma fiable la variabilidad y frecuencia de las condiciones de cielo despejado y nublado a lo largo del día. Esta gran concordancia en las PDF tanto para GHI como para kt valida que los datos de alta resolución del año típico de SolarAnywhere conservan las características estadísticas de la verdad sobre el terreno, lo que respalda su uso en la modelización fotovoltaica avanzada, la evaluación del rendimiento energético y el análisis de riesgos.
Figura 6: Funciones de densidad de probabilidad del GHI y del índice de cielo despejado (kt)
Gráficos de función de densidad de probabilidad comparando mediciones en tierra y datos modelados por SolarAnywhere para GHI de 1 minuto e índice de cielo despejado (kt). La estrecha alineación entre las distribuciones demuestra que los datos modelados reproducen con precisión las características estadísticas de la irradiancia y las condiciones del cielo observadas en las mediciones del mundo real.
Para confirmar la fiabilidad de los conjuntos de datos de alta resolución de 1 minuto y 5 minutos de Año Típico de SolarAnywhere, se realizó una validación a lo largo de múltiples años (2019-2024) y una amplia red de estaciones SURFRAD y SOLRAD que representan diversas regiones geográficas y climáticas. Este enfoque garantiza que la precisión no se limite a ejemplos aislados, sino que sea coherente a lo largo del tiempo y en condiciones variables.
Tabla 1: Métricas de validación para datos modelados de 1 minuto frente a mediciones sobre el terreno (2019-2024)
| Red | Estación | KSI de GHI | Coeficiente de variabilidad de GHI | KSI de DNI | Coeficiente de variabilidad del DNI | Clasificación climática de Köppen-Geiger |
|---|---|---|---|---|---|---|
| SURFRAD | Surfrad - GoodwinCreek | 0.0341 | 0.9656 | 0.1355 | 0.9336 | Véase |
| SOLRAD | SolRad - Albuquerque | 0.0274 | 0.9767 | 0.0562 | 0.9679 | BS |
| SOLRAD | SolRad - Hanford | 0.0225 | 0.9811 | 0.0897 | 0.9818 | BS |
| SURFRAD | Surfrad - DesertRock | 0.0181 | 0.969 | 0.154 | 0.9199 | BW |
| SURFRAD | Surfrad - Bondville | 0.0284 | 0.9637 | 0.1536 | 0.9327 | Véase |
| SURFRAD | Surfrad - Boulder | 0.02 | 0.9888 | 0.1114 | 0.9199 | BS |
| SURFRAD | Surfrad - PennState | 0.0346 | 0.955 | 0.1972 | 0.9228 | Véase |
| SOLRAD | SolRad - SaltLake | 0.0297 | 0.9947 | 0.0937 | 0.9691 | BS |
| SOLRAD | SolRad - Madison | 0.0428 | 0.9787 | 0.1451 | 0.9345 | Df |
| SURFRAD | Surfrad - SiouxFalls | 0.0131 | 0.9779 | 0.139 | 0.9336 | Df |
| SOLRAD | SolRad - Bismarck | 0.0126 | 0.9834 | 0.1313 | 0.9367 | Df |
| SOLRAD | SolRad - Seattle | 0.0188 | 0.9913 | 0.156 | 0.9503 | Cs |
| SURFRAD | Surfrad - FortPeck | 0.0199 | 0.9884 | 0.1352 | 0.9332 | BS |
Resumen de la relación de variabilidad y valores KSI para GHI y DNI a través de las estaciones SURFRAD y BSRN, demostrando una fuerte concordancia entre los datos modelados y terrestres.
La tabla anterior resume los resultados de los datos de 1 minuto únicamente, comparando el GHI y el DNI modelados por SolarAnywhere con las observaciones terrestres en múltiples estaciones y climas. Se utilizaron dos métricas clave:
- Coeficiente de variabilidad (σ(∆GHI₁min))
Compara la desviación estándar de las tasas de rampa GHI de 1 minuto entre las mediciones sobre el terreno y los datos modelizados. Una relación de 1,0 indica una coincidencia perfecta, lo que significa que los datos modelizados reflejan las fluctuaciones a corto plazo observadas en las mediciones terrestres. Las relaciones cercanas a 1 confirman que la variabilidad sintética introducida por el modelo imita fielmente las condiciones del mundo real.
- Índice de Kolmogorov-Smirnov (KSI(|∆GHI₁min|))
Mide la similitud entre las distribuciones de las tasas absolutas de rampa GHI de 1 minuto en los datos terrestres y modelizados. Los valores de KSI más bajos indican una mayor concordancia (0 significa una coincidencia perfecta), lo que valida que el modelo conserva el comportamiento estadístico de la variabilidad de la irradiancia.
Estas métricas se calcularon tanto para el GHI como para el DNI en todos los sitios de validación. Los resultados muestran una gran concordancia entre los datos modelizados de SolarAnywhere y la realidad sobre el terreno, lo que confirma que el modelo reproduce con precisión la variabilidad intrahoraria en diversos climas y geografías.
Esta validación a nivel de emplazamiento demuestra que los conjuntos de datos TGY/TDY de alta resolución de SolarAnywhere son estadísticamente coherentes y adecuados para aplicaciones avanzadas de modelado fotovoltaico, como el análisis de pérdidas por recorte, la simulación de despacho de baterías y la evaluación del rendimiento energético.
Para más detalles sobre por qué los datos de alta resolución del año tipo son importantes para una estimación precisa de la producción de energía, consulte nuestro blog publicado recientemente.
Datos de series temporales de alta resolución
Las aplicaciones de los datos de series temporales de alta resolución incluyen la estimación de las tasas de rampa, los requisitos de reafirmación, las pérdidas por recorte, etc.
Los datos históricos de series temporales de alta resolución con True Dynamics pueden descargarse del sitio web de datos de SolarAnywhere o solicitarse a través de la API con una licencia de Sitios de alta resolución. Dentro del sitio web de datos SolarAnywhere, los sitios existentes pueden actualizarse a alta resolución bajo demanda. Los datos de series temporales de alta resolución están actualmente disponibles para ubicaciones en la región continental de Estados Unidos (CONUS) desde el 1 de enero de 2020 hasta el corte de datos históricos, actualizados mensualmente.
Metodología
Los datos de series temporales de alta resolución de SolarAnywhere aprovechan al máximo la última generación de satélites GOES (GOES-East y GOES-West) operados por la Administración Nacional Oceánica y Atmosférica (NOAA). Los satélites escanean el territorio continental de Estados Unidos con una resolución espacio-temporal de 500 metros, 5 minutos, lo que supone 24 veces la resolución (6X temporal, 4X espacial) de las generaciones anteriores. La entrada de datos GOES a resolución completa revela la intermitencia del recurso solar.
Para obtener las simulaciones de pérdida por recorte y velocidad de rampa más precisas, los datos solares deben tener variabilidades y distribuciones de potencia subhorarias realistas. True Dynamics se ha desarrollado en colaboración con el Dr. Richard Perez y su equipo del Centro de Investigación de Ciencias Atmosféricas de la Universidad de Albany y se basa en décadas de investigación sobre la variabilidadsolar1.
Una idea clave de su investigación es que la variabilidad de los datos solares puede estar relacionada con el promedio espacial y temporal de los datos solares. Un punto tendrá más variabilidad que un área. En muchos casos, el área relevante para el modelado es la huella de los paneles conectados a un inversor a gran escala.2 (Las plantas solares con almacenamiento acoplado de CC pueden beneficiarse de un mayor suavizado espacial).3
Ciertas condiciones de nubosidad pueden aumentar la cantidad de luz solar que llega a los sistemas fotovoltaicos debido a la refracción de las moléculas de agua congeladas en las nubes de gran altitud. Los casos de superación del cielo despejado se producen cuando la irradiancia supera los valores de irradiancia del cielo despejado debido a las nubes cercanas, lo que también se denomina aumento de las nubes. Los datos empíricos muestran que el aumento de las nubes es común en condiciones variables y ocurre demasiado rápido para ser representado en modelos horarios. Para captar los casos de superación del cielo despejado, True Dynamics aumenta sintéticamente la variabilidad observada en los datos de alta resolución de 5 minutos y 500 metros.
Por último, los modelos de descomposición diseñados para datos horarios deben ajustarse a los datos de entrada de alta resolución.
Como se muestra en la figura 7, los datos de TD de 5 minutos capturan grandes tasas de rampa intrahorarias y eventos de superación de cielos despejados debidos a la reflexión de las nubes que no son evidentes en los datos promediados por horas. Por consiguiente, el uso de los datos de TD de 5 minutos suele dar lugar a una estimación más precisa de la energía de CA.
Figura 7: Simulación de series temporales con SolarAnywhere TD horaria y de 5 minutos, y datos observados de 1 minuto
El gráfico superior es una comparación de las series temporales del GHI en Boulder el 8 de agosto de 2020, entre la TD horaria y de 5 minutos de SolarAnywhere y los datos observados de 1 minuto. El gráfico inferior muestra la correspondiente producción de energía de CA simulada utilizando una configuración predominante: fotovoltaica de seguimiento de un eje horizontal con una capacidad nominal del inversor de 1kW. La energía total calculada para ese día utilizando las tres fuentes de datos también se muestra en el gráfico.
Puede obtener más información sobre la metodología y los resultados de la TD en el artículo: "Enhancing temporal variability of 5-minute satellite-derived solar irradiance data".4
Referencias
1 Pérez R, David M, Hoff T, Jamaly M, Kivalov S, Kleissl J, Lauret P, Pérez M, 2016. Variabilidad espacial y temporal de la energía solar. Foundations and Trends® in Renewable Energy, Volume 1, Number 1: 1-44. doi.org/10.1561/2700000006. Enlace
2 Hobbs W, 2020. Sobreestimación de la producción en los modelos horarios debido a las altas relaciones CC:CA y a la variabilidad solar: una introducción. ESIG System Planning Working Group, Summer Session. Enlace
3 Ahlstrom M, Mays J, Gimon E, Gelston A, Murphy C, Denholm P, Nemet G, 2021. Recursos híbridos: Challenges, Implications, Opportunities, and Innovation. IEEE Power and Energy Magazine, volumen 19, número 6: 37-44. DOI: 10.1109/MPE.2021.3104077. Enlace
4HuangJ, Pérez R, Schlemmer J, Kubiniec A, Pérez M, Bhat A, Keelin P, 2022. Enhancing temporal variability of 5-minute satellite-derived solar irradiance data. IEEE Photovoltaic Specialists Conference (PVSC). Enlace
5 Hansen C W, Stein J S, Riley D, 2012. Effect of Time Scale on Analysis of PV System Performance (Efecto de la escala de tiempo en el análisis del rendimiento del sistema fotovoltaico). Sandia National Laboratories, número de informe: SAND2012-1099. DOI:10.13140/2.1.1150.3368. Enlace
6 Bradford K, Walker R, Moon D, Ibanez M, 2020. A Regression Model to Correct for Intra-Hourly Irradiance Variability Bias in Solar Energy Models. 2020 47th IEEE Photovoltaic Specialists Conference (PVSC), June 15-August 21, 2021. DOI: 10.1109/PVSC45281.2020.9300613. Enlace
7 Cormode D, Croft N, Hamilton R, Kottmer S, 2019. "Un método para la compensación de errores de las estimaciones de la producción de energía anual modelada introducida por la variabilidad de la irradiación intrahoraria en las plantas de energía fotovoltaica con una alta relación de CC a CA". 2019 IEEE 46th Photovoltaic Specialists Conference (PVSC): 2293-2298. DOI: 10.1109/PVSC40753.2019.8981206. Enlace
8 Seel J, Warner C, Mills A D, octubre de 2021. Influence of Business Models on PV-Battery Dispatch Decisions and Market Value. Advances in Applied Energy. DOI: 10.1016/j.adapen.2021.100076. Enlace