Aprovechamiento de redes neuronales artificiales para la determinación precisa de parámetros de sistemas fotovoltaicos: radiación, temperatura y MPPT

Energía solar más inteligente para la vida cotidiana

Los paneles solares ya se encuentran en tejados, explotaciones agrícolas e incluso aparcamientos, pero obtener la máxima electricidad de ellos resulta más complicado de lo que parece. La luz solar y la temperatura cambian constantemente, y los circuitos de control tradicionales pueden ser lentos y poco eficientes. Este estudio muestra cómo las redes neuronales artificiales —sistemas informáticos inspirados en el cerebro— pueden ayudar a los paneles solares a exprimir automáticamente casi cada vatio posible, empleando a la vez menos sensores y hardware más barato.

Por qué el sol y el calor hacen que la energía solar sea inestable

Los paneles solares rinden mejor en un punto de funcionamiento concreto donde la tensión y la corriente se combinan para dar la máxima potencia. Ese punto óptimo se desplaza a lo largo del día conforme pasan las nubes, cambia el ángulo del sol y los paneles se calientan. Los controladores convencionales buscan ese punto moviendo la tensión de funcionamiento hacia arriba y hacia abajo y observando cómo responde la potencia. Estos métodos son sencillos pero con frecuencia producen sobrepasos, tardan en estabilizarse y desperdician energía al oscilar constantemente alrededor, en lugar de fijarse en, el verdadero punto de máxima potencia.

Reducir sensores sin perder información

Para seguir con precisión el mejor punto de funcionamiento, los ingenieros miden tradicionalmente cuánta luz incide sobre el panel y cuán calientes están las celdas, usando un sensor de radiación (piranómetro) y sondas de temperatura. Estos instrumentos aumentan el coste, la complejidad y las necesidades de mantenimiento, especialmente en grandes plantas solares. Los investigadores proponen una primera red neuronal que prescinde por completo de esos sensores dedicados. En su lugar, solo observa dos medidas eléctricas básicas de un panel de referencia: la tensión en circuito abierto y la corriente de cortocircuito. A partir de esos valores, la red aprende a inferir cuán brillante está el sol y cuán caliente se ha vuelto el panel, incluso bajo condiciones meteorológicas que cambian rápidamente.

Permitir que la red controle el convertidor de potencia

Una vez estimadas la radiación y la temperatura, el siguiente desafío es dirigir la electrónica de potencia para que los paneles funcionen exactamente en su punto de máxima potencia. Aquí entra en juego una segunda red neuronal. Recibe como entradas las estimaciones de radiación y temperatura y devuelve el ajuste óptimo del “ciclo de trabajo” para el convertidor DC–DC que conecta los paneles con la carga. Ese ciclo de trabajo determina cómo el convertidor eleva la tensión del panel y regula el flujo de corriente. Al aprender directamente a partir de simulaciones detalladas del sistema solar, la red puede pasar casi instantáneamente a la mejor configuración en lugar de buscarla lentamente.

Pruebas bajo cielos reales

El equipo puso su enfoque en dos etapas a través de una serie de simulaciones por ordenador y experimentos en el mundo real. Primero entrenaron y probaron las redes usando datos de las especificaciones de los paneles y luego con registros meteorológicos reales de la soleada ciudad costera de Hurghada, en Egipto. Finalmente, construyeron montajes hardware tanto en interiores, usando fuentes de alimentación programables para imitar paneles, como en exteriores, con tres módulos solares reales. En todos los casos, el sistema de redes neuronales estimó la radiación y la temperatura con mucha más precisión que las fórmulas tradicionales y dirigió el convertidor de potencia para extraer casi toda la energía disponible, con ondulaciones muy pequeñas en tensión y corriente y tiempos de respuesta de solo unos pocos milisegundos.

Qué significa esto para la energía solar del futuro

Para un no especialista, el resultado puede entenderse como dotar a los paneles solares de una suerte de “sentido inteligente” de su entorno. Al confiar en algoritmos que aprenden rápido en lugar de muchos sensores físicos y un control basado en ensayo y error, el sistema convierte el tiempo cambiante en algo a lo que puede adaptarse con rapidez. El estudio demuestra que, con redes neuronales entrenadas cuidadosamente, una instalación solar puede alcanzar cerca del 100 % de su producción teórica de potencia manteniéndose simple y relativamente económica. A medida que estas ideas se extiendan a plantas solares más grandes, sistemas conectados a la red y modelos de aprendizaje automático más avanzados, prometen una electricidad solar más limpia, fiable y asequible.

Cita: Abdelqawee, I.M., Selmy, M., ALI, M.N. et al. Harnessing artificial neural networks for accurate PV system parameters determination: radiation, temperature, and MPPT. Sci Rep 16, 9682 (2026). https://doi.org/10.1038/s41598-026-40175-5

Palabras clave: energía solar, sistemas fotovoltaicos, redes neuronales, seguimiento del punto de máxima potencia, control de energías renovables