Cambios diminutos en las formaciones de nubes pueden devastar la producción de las placas solares en cuestión de segundos.
La energía solar fue el método de generación de electricidad que más rápido crecía en Estados Unidos durante el 2014. Mientras sigue creciendo el campo de las energías renovables, aumenta la demanda de mejores técnicas para predecir cuánta energía generada por estas fuentes intermitentes estará disponible para la red eléctrica.
IBM compartió nuevos datos la semana pasada sobre su programa para aprovecharse de la computación para predecir el tiempo y otros factores que determinan la producción de instalaciones de energía solar y eólica. Mediante el uso del aprendizaje de máquinas y sistemas de análisis avanzado, IBM está dando un impulso para dotar a los servicios públicos, gerentes y operarios de plantas con proyecciones más certeras acerca de la producción que generarán sus instalaciones mañana, la semana que viene e incluso dentro de varios meses.
En la Conferencia Europea de Control en Linz (Austria) la semana pasada, científicos de IBM y el Laboratorio Nacional de Energías Renovables (NREL, por sus siglas en inglés) anunciaron que harán estas predicciones disponibles, de forma gratuita, a usuarios a lo largo de los Estados Unidos continental.
Las predicciones solares y eólicas generadas por la tecnología de IBM son hasta un 30% más precisas que las predicciones convencionales, según Hendrik Hamann, un gerente de investigación de IBM. Tal precisión podría posibilitar que se eviten cientos de megavatios de energía superflua cada año y reducir la necesidad de nuevas plantas "peaker" para suministrar energía durante los picos de demanda energética, lo que podría reducir las emisiones de carbono y ahorrar millones de dólares a las energéticas y a los consumidores. Un estudio del NREL sobre los operadores independientes de Nueva Inglaterra (EEUU) concluyó que mejorar la precisión de las predicciones solares podría suponer unos ahorros de 46,5 millones de dólares (unos 43 millones de euros) en la región.
El ‘supermodelo’ de IBM puede recoger y combinar predicciones de múltiples modelos para formular previsiones altamente precisas.
"Lo que hacemos es combinar múltiples modelos para formar un ‘supermodelo’", dice Hamann. Este programa de metaprevisiones puede contemplar varias predicciones hechas en base a la asociación de datos históricos y condiciones atmosféricas, ubicaciones y circunstancias. El resultado se puede adaptar para distintos usuarios – energéticas del medio oeste, operadores solares de Nevada (EEUU) y gerentes de instalaciones eólicas, entre otros.
Los productores de energía solar son especialmente susceptibles a cambios repentinos en la producción; una instalación solar que esté parcialmente a la sombra puede perder el 70% de su capacidad de generación de energía en cuestión de segundos. Las energéticas que alimentan a gran número de casas o empresas con una capacidad de generación distribuida también necesitan prever cuánta energía se introducirá a la red procedente de instalaciones solares.
Como resultado, la demanda de un mejor sistema de previsiones meteorológicas está en auge. Un puñado de start-ups y empresas consolidadas se han posicionado para cumplir con esta demanda durante los últimos años (ver TR10: Energías eólica y solar inteligentes). "Los operadores de Califo ia (EEUU) necesitan actualizaciones constantes para alimentar su sistema de predicción de carga energética, de modo que cada 15 minutos estamos simulando 200.000 sistemas solares fotovoltaicas, modelando cada ubicación por si solo junto con las previsiones de irradiación", dice Jeff Ressler, el director del grupo de servicios de software de Clean Power Research, que suministra herramientas de predicción meteorológica a empresas energéticas como el Departamento de Agua y Energía de Los Angeles, Southe Califo ia Edison, y el Proyecto de Río Salado de Arizona.
Como la mayoría de los meteorólogos, Clean Power Research se apoya en modelos basados en la predicción meteorológica numérica, que utiliza datos de un sistema global (aunque desigualmente distribuido) de estaciones sensoras y ejecuta simulaciones computacionales para extrapolar más datos. El Servicio Meteorológico Nacional de Estados Unidos emplea esta técnica para construir sus propios modelos meteorológicos, incluidos el Sistema Global de Predicciones (más conocido como GFS, por sus siglas en inglés) y el Sistema de Predicciones Norteamericano de Mesoescala (NAM, por sus siglas en inglés). Según John Zack, el director de previsiones de AWS Truepower, que suministra previsiones solares y eólicas en Norte América, los meteorólogos del sector privado proveen tecnología que funciona solapándose con modelos de predicción numérica del tiempo. "La clave de las predicciones futuras es lo bien que tu tecnología corrige los errores sistemáticos de los modelos predicción meteorológica numérica", afirma Zack. El sistema anunciado por IBM la semana pasada aplica la mayor potencia computacional a esta cuestión hasta la fecha.
El objetivo a largo plazo es integrar previsiones altamente precisas en tiempo real con los recursos de generación conectados por redes computacionales en la nube. Las centrales eléctricas virtuales resultantes enviarían automáticamente la potencia de la manera más eficiente desde el recurso más rentable (y limpia), evitando el uso de energía de reserva caro y sucio.
Por muy sofisticada que se esté volviendo la tecnología, sin embargo, ningún modelo es, ni será nunca, perfecto. Las previsiones solares son un ejemplo arquetípico del efecto mariposa, donde diminutos cambios pueden causar efectos a gran escala a través del tiempo y el espacio. "No se puede modelar cada gota de lluvia y turbulento remolino por ahí", dice Zach. "Tienes que hacer aproximaciones".