Introducción
Las pérdidas por suciedad debidas a la acumulación de suciedad, polvo y contaminantes orgánicos/inorgánicos en los paneles fotovoltaicos pueden reducir la producción de energía al obstruir la luz solar disponible para la conversión de energía. Se calcula que las pérdidas por suciedad pueden oscilar entre el 0% y el 7% en Estados Unidos y llegar hasta el 50% en algunas partes del mundo.
La suciedad puede ser una fuente importante de incertidumbre en la producción fotovoltaica y de riesgo financiero. Los estudios han demostrado que las pérdidas por suciedad pueden contribuir hasta un 1-4% de la incertidumbre (1-sigma) en las estimaciones de producción de energía, dependiendo de la ubicación del proyecto y la configuración del sistema.
Uno de los principales retos a la hora de estimar con precisión las pérdidas por ensuciamiento es que éstas son muy específicas de cada lugar. Dado que el clima local está siempre en movimiento -cambiando de una estación a otra y de un año a otro-, las pérdidas por ensuciamiento pueden presentar una gran variabilidad estacional e interanual. Los datos meteorológicos de SolarAnywhere en la ubicación de un proyecto pueden utilizarse junto con los modelos de pérdidas por ensuciamiento para predecir el impacto del ensuciamiento en la producción de energía fotovoltaica con mayor precisión.
Uso de datos de series temporales con modelos de pérdida de suciedad de confianza comunitaria en SolarAnywhere
Dado que la acumulación de polvo y contaminantes en los paneles fotovoltaicos es un proceso acumulativo, los datos de las series temporales pueden ser más precisos para modelar las pérdidas por suciedad específicas del lugar. Un estudio del NREL descubrió que, en comparación con otros parámetros ambientales y meteorológicos, como la precipitación y la dirección del viento, las partículas (PM10 y PM2,5) son las que presentan una mayor correlación con las pérdidas por suciedad.1
Con SolarAnywhere, los clientes tienen acceso a los datos meteorológicos históricos completos, incluidos los datos de partículas en el sitio de su proyecto. Los datos meteorológicos de alta fidelidad de SolarAnywhere pueden utilizarse con modelos de pérdida de suciedad de confianza de la comunidad, como el modelo pvlib de la Universidad Estatal de Humboldt (HSU), para obtener estimaciones de pérdida de suciedad específicas del lugar, bajo demanda.2,3
Los clientes de SolarAnywhere pueden modelar las estimaciones de pérdidas por suciedad con SolarAnywhere V3.5 y las versiones más recientes de datos meteorológicos. Los datos están disponibles en todo el mundo para el período de tiempo histórico (aproximadamente 1-2 meses de retraso con respecto al tiempo real). Las pérdidas por suciedad pueden incluirse en las descargas de archivos de resumen del año medio o solicitarse mediante la API de SolarAnywhere. Para obtener más información sobre el modelado de pérdidas por suciedad mediante la API de SolarAnywhere, consulte la documentación de la API. Póngase en contacto con nosotros para obtener una demostración.
Metodología
Los servicios de modelado energético de SolarAnywhere proporcionados a través de la API son compatibles con los modelos de pérdidas por suciedad desarrollados por Coello y Boyle, también denominados modelo HSU y modelo Kimber en pvlib.2,5
El modelo HSU estima la masa total acumulada de partículas depositadas en la superficie del módulo utilizando las concentraciones ambientales de PM2,5 y PM10. Las precipitaciones se consideran la principal y única fuente de eliminación del polvo acumulado.
Otra variable que afecta a la tasa de deposición de masa de partículas en los paneles fotovoltaicos es la velocidad de deposición o asentamiento. El modelo HSU de pvlib disponible en la API de SolarAnywhere utiliza una velocidad de sedimentación de 0,0009 metros por segundo y 0,004 metros por segundo para las PM2,5 y las PM10 respectivamente. El estudio original llegó a la conclusión de que el uso de las velocidades de sedimentación estática especificadas anteriormente da lugar a los resultados más precisos.2 La lista completa de los parámetros de entrada utilizados en el modelo HSU y sus valores por defecto figuran en la Tabla 1.
Tabla 1: Parámetros de entrada y valor por defecto utilizados en el modelo de ensuciamiento HSU
Para entender cómo se ven afectadas las estimaciones de pérdidas por ensuciamiento por los diferentes parámetros de entrada, se realizó un análisis de sensibilidad de las estimaciones de ensuciamiento para un sistema fotovoltaico arbitrario de inclinación fija colocado en 5 lugares diferentes de EE.UU. La figura 1 muestra la sensibilidad de las pérdidas por ensuciamiento a varios parámetros de entrada.
The sites are classified into low and high soiling sites based on an NREL study, wherein a site is considered to be a low-soiling site if average annual soiling losses at the site are <1% (or soiling ratio >0.99). It is found that sites with high soiling losses are highly sensitive to input data and model parameters such as PM10 and cleaning threshold. If a location is identified as a high soiling site with the HSU model, further due diligence such as on-site soiling loss measurements may be necessary to accurately quantify PV production loss due to soiling.
Figura 1: Sensibilidad de las pérdidas por ensuciamiento del modelo HSU a los parámetros de entrada
El modelo de suciedad de Kimber utiliza una tasa definida de suciedad que se acumula diariamente. Las precipitaciones y los lavados manuales pueden poner a cero la suciedad. Cuando la lluvia se acumula de tal forma que se produce un evento de limpieza, hay un periodo de gracia tras el cual la suciedad no se acumula. Además, se puede fijar un valor inicial de suciedad y un valor máximo de suciedad. La lista completa de los parámetros de entrada utilizados en el modelo Kimber y sus valores por defecto figuran en el cuadro 2.
Cuadro 2: Parámetros del modelo de pérdida de suciedad de Kimber
Aplicaciones y limitaciones conocidas de los datos de pérdidas por suciedad
El acceso global y bajo demanda a las estimaciones de pérdidas por suciedad permite a los promotores y propietarios de plantas solares identificar fácilmente las ubicaciones de los proyectos con mayor riesgo de suciedad. Esto puede ayudar a determinar si es necesaria una mayor diligencia, como la instalación de estaciones de ensuciamiento in situ, para cuantificar con precisión el riesgo potencial de generación fotovoltaica. Además, los promedios mensuales de pérdidas por suciedad a largo plazo (por ejemplo, 12×1) pueden utilizarse con programas de modelado energético como PVSyst y PlantPredict para que las estimaciones de producción fotovoltaica sean más específicas y estén basadas en datos. La API de SolarAnywhere facilita el modelado y la comparación de las pérdidas por suciedad para diferentes configuraciones del sistema. Esto puede ser útil para optimizar el diseño del sistema y maximizar el rendimiento fotovoltaico y los ingresos del proyecto.
Para ilustrar el valor de estas capacidades de modelado global, generamos un mapa global de pérdidas por ensuciamiento utilizando el modelo de pérdidas por ensuciamiento de HSU y los datos meteorológicos históricos de SolarAnywhere de 2006 a 2020. Para este análisis se consideró un sistema fotovoltaico de inclinación fija a escala de servicio público (50MWdc). La precipitación natural se utiliza como única fuente de eliminación de polvo en el modelo HSU. El acceso global y bajo demanda a los datos de partículas PM10 y PM2,5 en SolarAnywhere podría apoyar el desarrollo y la evaluación de otros modelos de suciedad a medida que estén disponibles.
El mapa de la figura 2 muestra que, en el caso de los paneles que no se limpian manualmente, las pérdidas de suciedad pueden alcanzar hasta el 35% en el norte de África y Oriente Medio. Esto se debe a la prevalencia de un alto nivel de partículas (como el polvo y la arena) y a las escasas precipitaciones en la zona. Esta tendencia se confirma en un estudio de Li et al. que informó de una reducción del factor de capacidad de más del 30% en las regiones de Oriente Medio y el Sáhara, a pesar de su abundancia de recurso solar disponible.
Figura 2: Mapa global de pérdidas por suciedad basado en los datos de SolarAnywhere y el modelo de suciedad HSU
Pérdida de suelo media anual (2006-2020); sistema fotovoltaico de inclinación fija
SolarAnywhere utiliza métodos líderes en el sector para generar estimaciones de pérdidas por suciedad. Sin embargo, los usuarios deben tener en cuenta las limitaciones de los datos de suciedad modelados, y cómo se comparan los datos con las mediciones en tierra:
- Las pérdidas por suciedad proporcionadas por SolarAnywhere representan la suciedad atmosférica o regional. Las pérdidas de suciedad reales pueden variar significativamente -incluso dentro de una misma planta fotovoltaica- debido a condiciones muy específicas de la ubicación, como las partículas procedentes de la actividad agrícola o los árboles cercanos.
- En general, para la financiación de los proyectos solares se prefieren las mediciones minuciosas de las pérdidas por suciedad en el suelo, si están disponibles. Aunque los datos medidos con precisión son una referencia importante para entender las pérdidas por suciedad, el largo historial disponible con los datos modelados puede permitir a los propietarios de activos solares situar las mediciones recientes en un contexto histórico. Por ejemplo, ¿se ha visto afectado el emplazamiento del proyecto por un acontecimiento regional de ensuciamiento, como un gran incendio forestal o una tormenta de polvo reciente? ¿O la suciedad fue un fenómeno específico del lugar? Conocer la diferencia entre un acontecimiento puntual y un emplazamiento propenso a la suciedad significa que las partes interesadas pueden planificar y mitigar el problema con mayor eficacia.
- Los autores del modelo HSU validaron el modelo con datos de suciedad medidos en siete lugares de Estados Unidos y descubrieron que el modelo predice con precisión las pérdidas de suciedad en los lugares de comparación.2 Otro estudio realizado por Micheli et al. llevó a cabo la validación del modelo utilizando datos medidos en el suelo en seis lugares de medición repartidos por los EE.UU. Se descubrió que el modelo HSU con estas velocidades de asentamiento arrojaba sistemáticamente los errores más bajos, con errores medios absolutos (MAE) y errores medios (ME) mínimos cercanos a cero. Además, el estudio descubrió que los errores en la modelización de la suciedad son similares cuando se utilizan datos de partículas derivados de satélites o medidos en tierra.3
- Algunos parámetros, como el umbral de limpieza, pueden variar de un lugar a otro y afectar a la precisión de las estimaciones de pérdida de suciedad en los lugares con un alto grado de suciedad (como se muestra en la figura 1). En estudios anteriores se ha comprobado que una precipitación de 5 mm es suficiente para limpiar los sistemas fotovoltaicos.4 Sin embargo, en un estudio realizado por Kimber et al., se descubrió que algunos sistemas pueden necesitar una cantidad de lluvia considerablemente mayor para limpiar completamente los paneles fotovoltaicos.5
- En un estudio de Bessa et al.6 también se proporcionan valores potenciales para el parámetro del umbral de limpieza basados en diferentes climatologías. Esta información también puede deducirse de la generación de activos operativos o de los datos medidos sobre el terreno para ajustar mejor el modelo de pérdidas por suciedad a las condiciones específicas del lugar.
Las simulaciones de series temporales de SolarAnywhere están disponibles con licencias de datos de series temporales que incluyen Sites y SystemCheck®. Además, se puede acceder a las estimaciones de pérdidas medias mensuales por nieve y suciedad para cualquier ubicación del proyecto en todo el mundo a través del sitio web de datos de SolarAnywhere. Póngase en contacto con nosotros para obtener más información sobre las opciones de licencia de SolarAnywhere.
Referencias
1 Partículas de 10 micrómetros o menos y de 2,5 micrómetros o menos, respectivamente.
2 Coello M, Boyle L. 2019. Modelo simple para la predicción de series temporales de ensuciamiento de paneles fotovoltaicos. IEEE Journal of Photovoltaics, volumen 9: número 5: 1382-1387. DOI: 10.1109/JPHOTOV.2019.2919628. Enlace
3 Micheli L, Smestad G. P., Bessa J G, Muller M, Fernández E F, Almonacid F. 2021. Seguimiento de las pérdidas de suelo: Assessment, Uncertainty, and Challenges in Mapping. IEEE Journal of Photovoltaics, Volume 12, Issue 1: 114-118. DOI: 10.1109/JPHOTOV.2021.3113858. Enlace
4 Hamond R, Srinivasan D, Harris A, Whitfield K, Wohlgemuth J. 1997. Effects of Soiling on PV Module and Radiometer Performance. 26º IEEE PVSC, 29 de septiembre - 3 de octubre de 1997. Enlace
5 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. 2006 IEEE 4th World Conference on Photovoltaic Energy Conference, 7-12 de mayo de 2006. DOI: 10.1109/WCPEC.2006.279690. Enlace
6 Bessa J, Micheli L, Almonacid F, Fernandez E F. 2021. Monitorización de la suciedad fotovoltaica: evaluación, retos y perspectivas de las estrategias actuales y potenciales. iScience, Volume 24, Issue 3. https://doi.org/10.1016/j.isci.2021.102165. Enlace