La calidad de los modelos energéticos depende de la solidez de los supuestos en los que se basan.
Y, en este momento, uno de los supuestos más utilizados en la energía solar a gran escala, la forma en que modelamos el viento, podría estar subestimando silenciosamente el riesgo.
Basarse en datos de viento por hora puede subestimar las pérdidas de energía por abanderamiento en hasta un 4 % anual. Para desarrolladores de energía solar a gran escala y propietarios de activos, eso no es un error de redondeo: es una posible discrepancia en las expectativas de ingresos, los supuestos de financiación y el rendimiento a largo plazo.
La buena noticia: esta discrepancia es cuantificable y, cada vez más, subsanable.
¿Qué es el modelado de abanderamiento por viento y por qué es importante para la rentabilidad de los proyectos?
La modelización de la posición de abanderamiento por viento estima la frecuencia con la que los seguidores solares adoptan posiciones de seguridad debido a las altas velocidades del viento y las pérdidas de energía resultantes. Mejorar la modelización del abanderamiento por viento puede ayudar a los desarrolladores a aumentar la precisión del rendimiento energético de los proyectos solares y a ofrecer una mayor visibilidad sobre [parte de la incertidumbre inherente a] las previsiones financieras.
Cuando las velocidades del viento superan los umbrales definidos, los seguidores de un eje se colocan en posición de defensa para reducir el riesgo estructural.
Esa protección tiene un coste:
- Reducción de la generación durante los eventos de abanderamiento.
- Pérdidas de energía acumuladas a lo largo del tiempo.
- Mayor incertidumbre en las estimaciones de P50/P90 (probabilidad de consecución).
En el caso de los proyectos a gran escala, incluso los errores más modestos en las estimaciones pueden traducirse en repercusiones financieras significativas a lo largo de los más de 30 años de vida útil del activo.
¿Por qué los modelos de abanderamiento por viento subestiman sistemáticamente las pérdidas?
Los modelos de abanderamiento por viento tienden a subestimar las pérdidas, ya que los conjuntos de datos estándar del sector utilizan velocidades medias del viento por hora, lo que puede impedir que se registren las ráfagas de corta duración que, en realidad, activan el abanderamiento de los seguidores solares.
El enfoque predeterminado del sector se basa en gran medida en los datos de viento por hora del Año Meteorológico Típico 3 (TMY3, por sus siglas en inglés).
Pero aquí está la discrepancia:
- El comportamiento de abanderamiento de los seguidores suele estar determinado por condiciones de viento de corta duración, como ráfagas de 3 segundos o promedios de 1 minuto, en lugar de promedios por hora.
- El TMY3 representa promedios por hora.
Esa discrepancia es importante.
En la práctica:
- Las condiciones de viento en el mundo real superan con frecuencia los umbrales de abanderamiento.
- Los conjuntos de datos por hora a menudo no reflejan esos excesos.
Como se muestra en el análisis, los datos de viento por hora pueden pasar por alto por completo las condiciones que activan el abanderamiento, lo que significa que los modelos pueden subestimar los eventos de abanderamiento.
Los datos horarios del viento TMY3 (azul) suavizan las ráfagas de corta duración y es posible que no superen los umbrales de abanderamiento del seguidor (verde), mientras que las velocidades de las ráfagas de 3 segundos (rojo) suelen superar dichos umbrales y pueden activar eventos de abanderamiento.
¿Por qué los fenómenos de viento poco frecuentes tienen un impacto tan desproporcionado en las pérdidas de energía?
Los fenómenos de vientos fuertes, aunque poco frecuentes, tienen un impacto desproporcionado en las pérdidas de energía, ya que provocan situaciones de pérdida por abanderamiento, a pesar de que representan un pequeño porcentaje del total de datos de viento, lo que dificulta su representación precisa en los enfoques de modelización estándar.
Este es el principal reto de la modelización: alrededor del 90 % de los datos de viento no se corresponden con condiciones de ráfagas extremas; sin embargo, esos fenómenos poco frecuentes son los responsables de una parte desproporcionada de las pérdidas de energía por abanderamiento.
Distribución de las velocidades máximas del viento en intervalos de 1 minuto, medidas a 10 metros de altura en el campus Flatirons del NREL (2001-2026). Aunque la mayoría de las condiciones de viento se dan a velocidades relativamente bajas, los episodios poco frecuentes de viento fuerte pueden provocar una proporción desproporcionada de casos de abanderamiento de los seguidores solares y las pérdidas de energía asociadas.
Así pues, aunque la mayoría de los conjuntos de datos reflejan con precisión las condiciones “normales”, presentan dificultades a la hora de abordar:
- La frecuencia con la que se superan los umbrales.
- La duración de los episodios de abanderamiento.
- La concentración de episodios de ráfagas a lo largo del tiempo.
Esto genera un enfoque parcial en el que los incidentes de baja frecuencia y gran impacto quedan infrarrepresentados, a pesar de su importancia económica.
¿Cómo influye la resolución de los datos de viento en los resultados de los modelos?
La resolución de los datos de viento influye directamente en los resultados de los modelos, ya que los conjuntos de datos de mayor frecuencia captan las ráfagas con mayor precisión, lo que da lugar a predicciones más realistas y representativas del comportamiento real de los seguidores solares en abanderamiento y de las pérdidas de energía asociadas.
Al comparar los conjuntos de datos uno al lado del otro, la diferencia resulta evidente:
- Datos por hora (TMY3): se suavizan, se promedian y, a menudo, se sitúan por debajo de los umbrales de abanderamiento.
- Datos cada 5 minutos o de frecuencia inferior a la hora: captan la variabilidad y los cruces de umbrales.
- Datos de ráfagas medidos (segundos/minutos): la representación más precisa de la respuesta real del seguidor.
De hecho, las comparaciones entre conjuntos de datos horarios y series temporales de mayor frecuencia muestran un número significativamente mayor de eventos de abanderamiento en condiciones reales.
Y eso se traduce directamente en estimaciones de pérdidas más elevadas y más realistas.
¿En qué medida los sistemas de seguimiento pasivos y activos modifican el enfoque de modelización?
No todos los seguidores solares reaccionan ante el viento de la misma manera, y esa diferencia es importante a la hora de realizar modelos.
En el sector, la mayoría de los sistemas se clasifican en dos categorías generales:
- Sistemas de abanderamiento controlados (activos) que utilizan sensores, mediciones del viento y lógica de control para iniciar el abanderamiento, y que a menudo se modelan utilizando umbrales de velocidad del viento definidos.
- Sistemas de abanderamiento con respuesta mecánica (pasivos) que responden dinámicamente a las fuerzas del viento en tiempo real a través de su diseño mecánico y requieren modelar un comportamiento físico continuo en lugar de desencadenantes discretos.
ARRAY ha implementado ambos enfoques en toda su cartera, incluyendo los seguidores ARRAY DuraTrack® y ARRAY STI H250®, cada uno diseñado para diferentes condiciones del proyecto y perfiles de riesgo.
La conclusión clave no es qué enfoque se utiliza, sino cómo se modela ese enfoque.
Porque el diseño del seguidor influye en:
- La frecuencia y el momento de los eventos de abanderamiento.
- La sensibilidad a las ráfagas de corta duración.
- La duración y la recuperación de las condiciones de abanderamiento.
- Las pérdidas energéticas totales por abanderamiento debido al viento.
La aplicación de una hipótesis de modelización única para todos los casos, especialmente si se basa en datos de viento de baja resolución, puede pasar por alto estas diferencias y dar lugar a predicciones de rendimiento energético menos representativas.
¿Cómo se traduce en la práctica un modelo de abanderamiento más preciso en función del viento?
Un modelado más preciso del abanderamiento por viento incorpora datos de viento de alta frecuencia, aplica correcciones de ráfagas (como las curvas de Durst) y valida los resultados del modelo comparándolos con el rendimiento real de los seguidores solares, con el fin de estimar mejor las pérdidas de energía debidas al abanderamiento.
Para salvar esta brecha se requieren tres mejoras clave:
1. Datos de viento de mayor frecuencia
Utilizando conjuntos de datos como:
- Reanálisis subhorario ERA5.
- Conjuntos de datos históricos de 5 minutos.
- Datos de ráfagas medidos, cuando estén disponibles.
2. Métodos de conversión de ráfagas
Aplicación de correcciones de la curva de Durst para convertir entre intervalos de promediado y aproximar mejor el comportamiento de las ráfagas.
3. Validación sobre el terreno
Comparación de los resultados del modelo con:
- La respuesta real de los seguidores solares.
- El registro de eventos de abanderamiento.
- Las condiciones de viento específicas del proyecto.
En conjunto, estos pasos crean un marco de modelización más transparente y basado en datos.
¿Qué nos indican las diferencias regionales sobre el riesgo de abanderamiento?
Las diferencias regionales en los patrones de viento dan lugar a variaciones significativas en las pérdidas de energía por abanderamiento, lo que refuerza la necesidad de utilizar enfoques de modelización específicos para cada proyecto, en lugar de basarse únicamente en conjuntos de datos generalizados.
El riesgo causado por el viento no es uniforme, y tampoco lo son las pérdidas.
El siguiente mapa muestra cómo las pérdidas por abanderamiento a causa del viento modelizadas pueden variar en todo Estados Unidos cuando se utilizan datos de series temporales de mayor resolución en lugar de entradas TMY por hora. Algunas regiones muestran pérdidas considerablemente mayores cuando se modelizan con datos de series temporales, mientras que otras se mantienen relativamente estables.
Diferencia en las pérdidas de energía por abanderamiento modelizadas al utilizar series temporales de datos de viento de 5 minutos frente a los datos horarios tradicionales del TMY3 en todo Estados Unidos. Las regiones más claras indican mayores diferencias entre los métodos de modelización, lo que pone de relieve los casos en los que los datos horarios de viento pueden subestimar las pérdidas por abanderamiento.
Esta variabilidad pone de relieve un aspecto fundamental: los modelos de abanderamiento por viento suelen ser más eficaces cuando se adaptan a cada proyecto concreto, se basan en datos y están validados, y no cuando se aplican de forma generalizada.
¿Cómo se traduce una mejor modelización del abanderamiento en mejores resultados en los proyectos?
La mejora de los modelos de abanderamiento por viento ayuda a reducir la incertidumbre en las estimaciones de energía, lo que permite realizar proyecciones financieras más fundamentadas, seleccionar mejor la tecnología y lograr una mayor coordinación entre desarrolladores, EPCs y propietarios de activos.
Cuando mejoran los modelos, mejora la toma de decisiones.
Los desarrolladores y propietarios pueden:
- Elaborar escenarios P50/P90 más fundamentados.
- Reducir el riesgo de pérdidas en la financiación.
- Evaluar mejor las tecnologías y configuraciones de los seguidores solares.
- Armonizar las expectativas entre todas las partes interesadas.
Comprender cómo responden los sistemas de seguimiento pasivos o activos a las condiciones de viento reales permite realizar concesiones más fundamentadas entre rendimiento y protección.
El resultado no es solo una mejor modelización.
Es una mayor confianza en las primeras fases del ciclo de vida del proyecto, cuando más importa.
Las pérdidas por abanderamiento no son un fenómeno nuevo. Pero la forma en que las modelizamos está evolucionando. A medida que los proyectos se adentran en entornos más complejos y los márgenes se reducen, el sector está orientándose hacia:
- Conjuntos de datos de mayor resolución.
- Supuestos de modelización transparentes.
- Marcos validados sobre el terreno.
Porque el objetivo no es eliminar la incertidumbre. Es comprenderla lo suficientemente bien como para tomar mejores decisiones.
Ponte en contacto con un representante de ARRAY para ver cómo las pérdidas por estocastividad del viento podrían afectar a su proyecto.
Nota: el rendimiento real puede variar en función de las condiciones del lugar. Todas las afirmaciones se basan en análisis de ARRAY y datos de campo, salvo que se indique lo contrario.
Click here for other articles by this author