Fuente: https://www.pv-magazine.com/
Científicos peruanos han propuesto un sistema autónomo y desplegable que cuantifica las pérdidas de energía derivadas de la acumulación de polvo en los módulos fotovoltaicos. Utiliza redes neuronales artificiales y modelos eléctricos para predecir las pérdidas por suciedad.
Investigadores de Perú han desarrollado un sistema autónomo y desplegable que, según se informa, puede cuantificar las pérdidas de energía derivadas de la acumulación de polvo en los paneles fotovoltaicos antes de su implementación.
El enfoque propuesto combina métodos de redes neuronales y conductancia incremental, que es una de las técnicas de seguimiento del punto de máxima potencia (MPPT) más comúnmente empleadas debido a su simplicidad y baja complejidad de implementación.
“Este sistema facilita el análisis de la suciedad tanto antes de la implementación como durante el funcionamiento de los sistemas fotovoltaicos. Puede tener en cuenta las inhomogeneidades espaciales de la acumulación de polvo y la degradación a largo plazo de los módulos fotovoltaicos mediante la recalibración y el reentrenamiento”, explicaron los científicos. “El sistema propuesto integra una red neuronal artificial (RNA), un modelo eléctrico y un MPPT basado en la conductancia incremental. Esta combinación permite estimar las pérdidas diarias de energía debido a la suciedad en un conjunto fotovoltaico con requisitos mínimos de mantenimiento”.
El método propuesto se probó en un sistema que contiene un módulo de prueba fotovoltaica de silicio monocristalino de 5 W, un convertidor de inductancia primaria de un solo extremo CC-CC (SEPIC), un piranómetro, sensores de temperatura del módulo y una computadora con un procesador ARM Cortex-172 de 28 nm que ejecuta la red neuronal artificial. Además de las predicciones de la red neuronal artificial, el grupo probó el sistema utilizando un modelo eléctrico que utiliza resolución iterativa, lo que significa que repite el cálculo varias veces hasta obtener un buen resultado. Ambos sistemas utilizan la irradiancia solar y la temperatura medidas como entradas.
Las pruebas se realizaron entre septiembre de 2020 y septiembre de 2021, y el módulo fotovoltaico se limpió una vez al mes. Los datos del primer mes se utilizaron para entrenar el modelo ANN, utilizando 14.000 mediciones en 150 iteraciones. El modelo eléctrico, por otro lado, no necesitó entrenamiento, ya que se basa únicamente en los datos medidos y las especificaciones fotovoltaicas.
“Ambos modelos mostraron un rendimiento comparable en la estimación de la producción de energía de un módulo fotovoltaico limpio, y el modelo ANN demostró menores costos computacionales”, dijeron. “El modelo ANN también mostró una precisión ligeramente mejor, con un error porcentual absoluto medio (MAPE) del 0,5% en comparación con el 0,6% del modelo eléctrico. Estos resultados indican que, si bien ambos modelos son efectivos, el modelo ANN ofrece ventajas en términos de eficiencia computacional y adaptabilidad para el reentrenamiento para compensar la degradación del módulo a largo plazo”.
Los resultados de las pruebas realizadas durante un año mostraron que, con un programa de limpieza mensual, las pérdidas de energía debidas a la suciedad oscilaron entre el 4 % y el 7 % durante la mayoría de los meses. Se registraron pérdidas elevadas de hasta el 10 % en los meses en los que se realizaron actividades de construcción cercanas. «Nuestros hallazgos demuestran la capacidad del sistema para predecir con precisión las pérdidas de rendimiento debidas a la suciedad sin necesidad de una instalación completa del sistema fotovoltaico», destacaron los investigadores.
Para concluir su trabajo, añadieron que “el sistema de Neuroconductancia Incremental presenta una solución robusta y flexible para cuantificar las pérdidas por suciedad en los módulos fotovoltaicos, contribuyendo a programas de mantenimiento más efectivos y a un mejor rendimiento de las plantas fotovoltaicas”.
El sistema fue presentado en “ Incremental neuroconductance to analyze performance lass due to dirting in photovoltaic generators ”, publicado en Energy Reports . La investigación fue realizada por científicos de la Universidad Nacional Mayor de San Agustín y la Pontificia Universidad Católica del Perú.