Investigadores de la Universidad Tecnológica de Kaunas han presentado ShadowSense, un sistema que analiza el comportamiento y desplazamiento de las nubes para mejorar la previsión de la energía fotovoltaica. El objetivo es anticipar cambios bruscos de irradiación que los modelos meteorológicos generales pueden detectar demasiado tarde.
🔆 Predicción de generación con segundos de antelación.
☁️ Análisis automático del movimiento de las nubes.
⚡ Más estabilidad para la red eléctrica.
🔋 Mejor gestión de baterías y almacenamiento.
🏠 Pruebas reales sobre una vivienda.
📊 Más de 122.000 observaciones sincronizadas durante 92 días.
🎯 Detección de más del 92 % de las caídas bruscas de producción.
🌍 Paso adelante hacia una energía solar más inteligente.
La inteligencia artificial aprende a leer las nubes para anticipar la producción solar en tiempo real
La energía solar fotovoltaica continúa ganando peso en el sistema eléctrico de numerosos países, impulsada por la caída del precio de los paneles y por la necesidad de reducir las emisiones de gases de efecto invernadero. Sin embargo, todavía existe un obstáculo que condiciona su integración: la variabilidad de la producción. Basta con que una nube cubra el Sol durante unos segundos para que la generación eléctrica descienda de forma repentina.
Cuando este fenómeno afecta simultáneamente a miles de instalaciones conectadas a la red, mantener el equilibrio entre la electricidad que se produce y la que se consume resulta mucho más complejo. Precisamente para afrontar ese reto, investigadores de la Universidad Tecnológica de Kaunas (KTU) han desarrollado ShadowSense, un sistema basado en inteligencia artificial capaz de aprender observando el cielo y anticipar, en tiempo real, cómo evolucionará la producción de un panel solar durante los minutos siguientes.
Una inteligencia artificial que aprende directamente del cielo
La mayoría de los modelos de visión artificial necesitan enormes cantidades de imágenes clasificadas manualmente. Es decir, alguien debe identificar previamente nubes, sombras o diferentes condiciones meteorológicas para que el algoritmo aprenda.
ShadowSense adopta una estrategia distinta y mucho más práctica. En lugar de depender de ese proceso, el sistema relaciona automáticamente las imágenes captadas del cielo con las variaciones reales de potencia registradas por un panel solar.
Cada descenso inesperado de producción sirve como una nueva lección para la inteligencia artificial. Poco a poco va identificando qué tipo de nubosidad, qué dirección siguen las nubes y cómo esas condiciones terminan afectando a la generación eléctrica.
Este enfoque permite que el modelo aprenda del comportamiento físico del entorno, adaptándose a cada instalación sin necesidad de crear bases de datos específicas para cada ubicación.
Cada planta solar tiene su propio comportamiento
Uno de los aspectos más interesantes del proyecto es que no pretende desarrollar un algoritmo universal para cualquier instalación.
Cada planta fotovoltaica presenta características diferentes: orientación de los módulos, inclinación, obstáculos cercanos, árboles, edificios, relieve o incluso patrones locales de nubosidad. Todo ello modifica la forma en la que las sombras afectan a la producción.
Por ese motivo, ShadowSense ajusta su aprendizaje a las condiciones concretas del lugar donde está instalado. El sistema analiza continuamente la posición del Sol, la trayectoria de las nubes y la respuesta eléctrica del panel, refinando sus predicciones conforme acumula experiencia.
Este tipo de aprendizaje adaptativo resulta especialmente interesante para instalaciones distribuidas, donde un modelo único suele perder precisión.
Del tejado de una vivienda al laboratorio energético del futuro
En lugar de limitar las pruebas a un entorno controlado, los investigadores decidieron instalar el sistema en el tejado de una vivienda de Kaunas.
Una cámara gran angular registraba de forma constante la evolución del cielo mientras un módulo fotovoltaico proporcionaba tanto la energía necesaria como los datos eléctricos utilizados por el algoritmo.
Durante 92 días se recopilaron más de 122.000 registros sincronizados, cada uno compuesto por imágenes del cielo y la potencia generada exactamente en ese mismo instante.
Este enfoque aporta una ventaja importante: el sistema aprende enfrentándose a las condiciones reales que experimentan las instalaciones fotovoltaicas cada día, con cambios rápidos de luminosidad, nubosidad irregular y variaciones meteorológicas difíciles de reproducir en un laboratorio.
Avisar con segundos de margen puede marcar la diferencia
Aunque una previsión de apenas uno o dos minutos pueda parecer escasa, en el ámbito eléctrico supone una ventaja considerable.
Los sistemas de almacenamiento, las centrales de respaldo y los operadores de red trabajan continuamente compensando pequeñas diferencias entre generación y demanda. Disponer de unos segundos adicionales permite tomar decisiones automáticas antes de que aparezca el problema.
Por ejemplo, una batería puede comenzar a descargar energía justo antes de que llegue una sombra importante, evitando oscilaciones en la red. Del mismo modo, un sistema híbrido con energía solar y eólica puede redistribuir la producción o modificar el funcionamiento de determinados equipos.
Este tipo de predicción resulta especialmente útil conforme aumenta el número de instalaciones de autoconsumo, comunidades energéticas y pequeñas plantas distribuidas.
Predicciones más precisas con un consumo energético mínimo
Los resultados obtenidos por los investigadores muestran una mejora significativa respecto a los métodos tradicionales.
ShadowSense consiguió reducir el error medio de predicción en casi un tercio y detectar más del 92 % de las caídas bruscas de potencia provocadas por las sombras de las nubes.
Además, cada cálculo requiere únicamente unos 66 milisegundos, con un consumo aproximado de 0,52 julios por predicción. En la práctica, esto significa que puede funcionar sobre un ordenador de bajo consumo sin necesidad de recurrir a servidores potentes ni a una conexión permanente a Internet.
Ese detalle abre la puerta a desplegar este tipo de soluciones en instalaciones aisladas, explotaciones agrícolas, microredes eléctricas o sistemas fotovoltaicos situados en zonas rurales donde la conectividad puede ser limitada.
La inteligencia artificial empieza a formar parte del sistema eléctrico
La combinación entre energías renovables, sensores e inteligencia artificial está transformando la forma en que se gestiona la electricidad.
Actualmente ya existen inversores capaces de adaptar automáticamente su funcionamiento, plataformas que optimizan el consumo doméstico según el precio horario de la electricidad y algoritmos que coordinan la carga de vehículos eléctricos para evitar sobrecargas en la red.
Herramientas como ShadowSense representan un paso más dentro de esa evolución. No se limitan a producir electricidad limpia; también aportan información útil para anticipar cambios y tomar decisiones casi instantáneas.
En un contexto donde la electrificación del transporte, las bombas de calor y el almacenamiento doméstico continúan creciendo, disponer de previsiones cada vez más precisas será una pieza clave para aprovechar mejor la generación renovable disponible.
Potencial
La evolución de sistemas como ShadowSense apunta hacia una nueva generación de instalaciones fotovoltaicas inteligentes, capaces de interpretar su entorno y reaccionar antes de que se produzcan cambios importantes.
En los próximos años, esta tecnología podría integrarse con baterías domésticas, vehículos eléctricos, microredes, comunidades energéticas locales e incluso con plataformas que gestionen automáticamente el consumo de edificios e industrias.
También podría combinarse con imágenes de satélite, radares meteorológicos y estaciones meteorológicas locales para aumentar aún más la precisión de las previsiones a muy corto plazo.
Si esta línea de investigación continúa avanzando, la energía solar dejará de ser únicamente una fuente limpia de electricidad para convertirse en una infraestructura mucho más inteligente, flexible y preparada para responder, casi en tiempo real, a las condiciones cambiantes del entorno.
Vía KTU
Más información: ShadowSense: Edge Optimized Self-Supervised Learning for Dynamic Shadow Mapping of Solar Panels
Deja una respuesta