La radiación solar que incide sobre la superficie terrestre presenta una gran variabilidad geográfica y temporal debido a su gran dependencia de las fluctuaciones meteorológicas y de los cambios estacionales de posición del sol. El conocimiento del recurso solar y de su variabilidad tanto en el tiempo como en el espacio facilita la toma de decisiones sobre las diferentes tecnologías solares a desplegar en una región, y ayuda a desarrollar políticas e inversiones adecuadas. En consecuencia, el correcto asentamiento de un sistema de energía solar, un paso crítico para garantizar su rendimiento óptimo, es una tarea difícil debido a la naturaleza variable de la radiación solar. Además, un conocimiento detallado del recurso solar es un punto crítico para realizar un análisis de viabilidad económica de una planta solar. Este conocimiento debe incluir su magnitud (cuánta energía solar está disponible en un área de interés durante un largo periodo de tiempo), y su variabilidad en el tiempo.

La mejor manera de analizar el recurso solar en un lugar determinado es mediante el uso de mediciones sobre el terreno a largo plazo realizadas con equipos de alta precisión y bien mantenidos.

• A falta de datos de radiación solar medidos in situ, se pueden utilizar mediciones de estaciones cercanas en zonas de terreno relativamente llano y cuando las distancias son inferiores a 10 km del emplazamiento.

• A distancias mayores, la interpolación de las mediciones circundantes sólo es posible para zonas con una alta densidad de estaciones y para distancias medias entre estaciones de unos 20-50 km.

• En distancias del orden de cientos de kilómetros, se ha demostrado la viabilidad de la adaptación regional de los modelos, especialmente en zonas climáticas similares.

Integración de mediciones in situ para reducir la incertidumbre

Los datos solares y meteorológicos medidos in situ, cuando están disponibles, se utilizan para la adaptación in situ o regional de las series modelizadas de radiación solar y meteorología con el fin de obtener series temporales a largo plazo con mayor precisión y menor incertidumbre.

Desafortunadamente, a pesar de que la red terrestre de medidas está en continuo crecimiento, sigue siendo incapaz de representar en detalle la variabilidad espacial de la radiación solar que llega a la superficie terrestre: las medidas de radiación solar son escasas en muchas partes del mundo y están disponibles, en la mayoría de los casos, para periodos de tiempo cortos y discontinuos. En consecuencia, la caracterización del recurso solar de una región determinada mediante bases de datos históricas a partir de mediciones terrestres se convierte en una tarea difícil debido a su escasa cobertura espacial. En este contexto, los datos de radiación solar modelizados pueden proporcionar valores agregados robustos en la evaluación del recurso solar, en términos de cobertura espacial y temporal. Por otra parte, los modelos no son capaces de reproducir los valores de radiación solar con la misma precisión y frecuencia que los sensores terrestres, pero proporcionan largas series de radiación solar sobre amplios territorios.

Un Año Meteorológico Típico (TMY, por sus siglas en inglés) es una herramienta de uso común para el diseño y análisis de financiabilidad de proyectos de energía solar, y en muchos otros campos. Un TMY no corresponde necesariamente a un año concreto de un periodo específico, sino que se construye como una composición de doce meses "típicos". En el mejor de los casos, estos meses se basan en mediciones sobre el terreno, ya que el comportamiento solar de alta frecuencia (de 1 a 10 minutos) en el emplazamiento se caracteriza realmente con mediciones o, en caso de falta de datos sobre el terreno, se extrae de una serie temporal a largo plazo de datos de radiación solar modelizados en el emplazamiento de interés.

La selección de los meses que se utilizarán en la generación del TMY implica una caracterización estadística de la serie temporal a largo plazo del conjunto de datos. Las características teóricas de este año sintético facilitan la cuantificación objetiva de la irradiancia solar esperada para diferentes escenarios anuales de cantidad de energía disponible, normalmente medida por la probabilidad de superación (P), y la correspondiente incertidumbre estimada. Estas valiosas propiedades permiten un balance de riesgos objetivo y un análisis más seguro de la viabilidad económica de los proyectos. Los años meteorológicos generados para representar diferentes escenarios de recurso solar suelen denominarse PXX, siendo XX la probabilidad de excedencia considerada

Año Meteorológico Típico

DEFINIR

Dada la falta de consenso científico sobre un método estándar para generar dichos años PXXs, la Asociación Española de Normalización y Certificación (AENOR) estableció un grupo de trabajo de expertos liderado por el Centro Nacional de Energías Renovables (CENER) con el objetivo de diseñar y estandarizar un método para generar TMYs para cualquier escenario de energía solar (2014-2016):

1. En un primer paso, se calcula cualquier probabilidad de excedencia en series anuales de irradiación solar, basada en la estimación de las funciones de distribución acumulativa continua evaluadas a partir de series anuales a largo plazo.

2. En un segundo paso, se seleccionan los meses individuales más apropiados (entre todos los disponibles en las series temporales a largo plazo) para generar un año PXX para cualquier probabilidad de excedencia particular.

La variabilidad del recurso solar desempeña un papel importante en la estimación de la probabilidad de superación de los futuros rendimientos energéticos de una central solar, e influye en las condiciones financieras que puede recibir un proyecto. En consecuencia, la financiación de la energía solar suele basarse en una evaluación estadística del recurso solar. En particular, se suelen analizar los peores casos de disponibilidad del recurso solar para garantizar la viabilidad del proyecto. Estos peores casos suelen caracterizarse por conjuntos de datos de radiación solar anual con una alta probabilidad de superación de sus valores anuales. A modo de ejemplo, Fitch Rating recomienda evaluar los escenarios de probabilidad de superación del 50%, 90% y 99%. Los escenarios de probabilidad de superación no deben confundirse con los percentiles, ambos indicadores proporcionan información complementaria: un percentil 10 se superará con una probabilidad del 90%.

In the statistical modeling of extreme values, parametric statistics usually provides more information than the nonparametric one. However, it can also lead to significantly biased conclusions if a wrong model is used. Nonparametric statistics, on the other hand, require fewer assumptions about the data, and consequently will work better in situations where the true distribution is unknown (or cannot be accurately approximated using a probability distribution. In this regard, the estimated continuous Cumulative Distribution Function (CDF) is derived from the analytical distribution generated from the discrete number of annual solar irradiation values available at the analyzed site.

Incertidumbre y escenarios de probabilidad de excedencia

La variabilidad del recurso solar juega un papel importante en la estimación de la probabilidad de excedencia de los rendimientos energéticos futuros de una planta solar, e influye en las condiciones financieras que puede recibir un proyecto. La norma UNE 206013:2017 caracteriza esta variabilidad y su incertidumbre.

El primer paso para un análisis estadístico paramétrico es un análisis de las funciones de densidad de probabilidad de la irradiación solar anual. Todas las pruebas estadísticas de hipótesis aplicadas a series de irradiación solar a largo plazo en diferentes climas sugieren que las series anuales de GHI y DNI se ajustan satisfactoriamente a las distribuciones Normal y Weibull, respectivamente:

La distribución Normal (o Gaussiana) es la más utilizada para modelizar datos univariantes de una población o de un experimento. Se define mediante la siguiente función de densidad de probabilidad, donde μ es la media de la población (y también su mediana y su moda), y σ es su desviación típica:

La distribución de Weibull viene definida por la siguiente función de densidad de probabilidad para valores de x iguales o superiores a 0, donde κ es el parámetro de forma, y λ es el parámetro de escala (siendo ambos κ y λ > 0)