Investigadores españoles optimizan los paneles solares gracias al ‘machine learning’

A partir de una técnica de estadística e inteligencia artificial, que se conoce como clustering, un equipo de investigación del CSIC y de la Universidad Politécnica de Madrid ha diseñado unos paneles fotovoltáicos que pueden optimizar la producción de energía solar en cada localización. Se trata de una técnica de minería de datos que identifica de forma automática agrupaciones de algoritmos, gracias a la que estos investigadores han encontrado una manera práctica de incluir en sus cálculos todos los cambios que se dan en el espectro solar para predecir la producción energética.

Así, estos científicos del Instituto de Energía Solar de la Universidad Politécnica de Madrid (IES-UPM) y del Instituto de Micro y Nanotecnologia del Consejo Superior de Investigaciones Científicas (IMN-CSIC), que han publicado sus resultados en Nature Communications, son capaces, con unas pocas horas de cálculo, de conocer cuál es el diseño más óptimo para un panel solar multiunión en una localización concreta. 

A lo largo del día y según las diferentes estaciones del año, la posición del sol y las condiciones atmosféricas van cambiando, con lo que también varía la luz que llega a los paneles. Por ejemplo, la diferencia más importante se produce en el contenido espectral de la luz, que consiste en el reparto de colores de esta: a mediodía la luz es más “azul”, mientras que por la tarde es más “roja”. Esto ya ha provocado que los paneles solares del futuro sean de tipo multiunión, es decir, que combinarán varios materiales para aprovechar mejor cada espectro de la luz solar.

Sin embargo, los paneles se fabrican para producir la máxima energía para un determinado color de la luz, por lo que los cambios producidos por la posición del sol y las condiciones atmosféricas dan lugar a pérdidas en la producción. Para lograr reducir estas pérdidas, se intenta diseñar los paneles buscando el óptimo de producción de energía global y no para un color determinado. Pero, debido a la infinita variedad de condiciones atmosféricas combinadas con distintas posiciones del sol, esta optimización es muy complicada.

Y en este punto entra el trabajo de este equipo de investigadores, que ha demostrado que los conjuntos de datos con miles de espectros solares pueden reducirse a unos pocos espectros característicos utilizando técnicas de inteligencia artificial, y utilizarlos con éxito para predecir la eficiencia promedio anual en función del diseño de la célula solar.

La idea inicial parte de Iván García Vara (IES-UPM) que, durante su estancia en el National Renewable Energy Laboratory, concibió un método estadístico para hacer este tipo de cálculo. Posteriormente, Jose María Ripalda Cobián y Jeronimo Buencuerpo Fariña (IMN-CSIC), aplicaron la técnica clustering al anterior método. Así, de la mano de técnicas de aprendizaje automático se pueden reducir los conjuntos espectrales anuales en tres órdenes para encontrar los diseños óptimos de células solares que maximizan la producción anual de energía.