Un método probabilístico de previsión horaria de energía solar fotovoltaica basado en inferencia conformal adaptativa no paramétrica

Por qué importan mejores previsiones solares

A medida que más hogares, empresas y suministradores recurren a los paneles solares para obtener electricidad limpia, las redes eléctricas deben gestionar un recurso que cambia con cada nube que pasa. Los operadores de red necesitan saber no solo cuánta energía solar es probable que esté disponible dentro de una hora, sino también cuánta incertidumbre tiene esa previsión. Este artículo presenta una nueva forma de poner "barras de error" alrededor de las predicciones solares a corto plazo, de modo que los planificadores puedan mantener las luces encendidas mientras confían con mayor seguridad en la energía solar.

De estimaciones únicas a previsiones con conciencia del riesgo

Las previsiones solares tradicionales suelen reducir el futuro a un solo número, por ejemplo «2,5 kilovatios en la próxima hora». En realidad, la producción solar oscila con el tiempo y el clima, y las decisiones de la red —como cuánto respaldo programar— dependen de cuánta confianza tengamos en esos números. Por ello, los enfoques modernos emplean previsiones probabilísticas: en lugar de un valor único, ofrecen un rango de resultados probables junto con una indicación de la frecuencia con la que el valor real debería caer dentro de ese rango. Este estudio se centra en previsiones horarias para paneles en tejados de una universidad en Wrocław, Polonia, usando cinco años de datos históricos. El objetivo es generar intervalos de predicción que sean a la vez fiables (contienen el valor real la mayor parte del tiempo) y precisos (los intervalos son lo más estrechos posible, evitando rangos inútilmente amplios).

Una forma más inteligente de ajustar la incertidumbre

La técnica central explorada aquí es la Inferencia Conformal Adaptativa, o ACI. En términos sencillos, ACI envuelve cualquier modelo de previsión —en este caso, una red profunda llamada LSTM apilada— y mira los errores de previsión recientes para decidir qué tan ancho debe ser el próximo intervalo de predicción. Si las previsiones recientes han fallado, ACI amplía el intervalo; si han sido precisas, lo estrecha. Sin embargo, la ACI estándar asume que los datos cambian de forma suave con el tiempo. La energía solar no lo hace: cada noche la producción cae a cero y los primeros rayos de la mañana no se parecen a lo sucedido la tarde anterior. Este patrón diurno de parada y arranque puede provocar que el parámetro de ajuste de ACI derive, inflando los intervalos con el tiempo.

Reiniciar cada día para empezar de nuevo

Para solucionar esta desalineación, los autores introducen una variación simple pero poderosa: reinician el parámetro interno de "miscoverage" de ACI al comienzo de cada día. Conceptualmente, esto le indica al algoritmo que olvide las largas horas de oscuridad con poca información y se recalibre únicamente en función del comportamiento diurno. La LSTM base sigue aprendiendo patrones a partir de años de datos, incluidas variaciones estacionales y formas diarias típicas, pero la capa ACI ya no permite que los ceros nocturnos distorsionen su sentido de incertidumbre. Este reinicio diario evita que los intervalos se vuelvan innecesariamente amplios tras secuencias de periodos con poca información y permite que el método se adapte rápidamente a las condiciones solares de cada día, ya sean despejadas, nubladas o muy variables.

Cómo se compara el nuevo método

El estudio compara cuatro formas de expresar la incertidumbre en las previsiones solares: la ACI modificada, un modelo profundo entrenado para predecir varios cuantiles directamente (Regresión Cuantil Profunda), una versión bayesiana de la LSTM que estima la incertidumbre de forma interna, y un potente algoritmo basado en árboles llamado CatBoost ajustado para la predicción de cuantiles. Las pruebas se realizan sobre un año de datos no visto. La ACI modificada logra la mayor fiabilidad, con sus intervalos conteniendo la potencia real alrededor del 91% del tiempo, cerca del objetivo previsto, manteniendo al mismo tiempo una anchura moderada del intervalo. La LSTM bayesiana queda en segundo lugar en fiabilidad pero produce rangos algo más amplios. CatBoost ofrece los intervalos más estrechos pero falla en detectar los valores reales con mayor frecuencia, subestimando la incertidumbre. La Regresión Cuantil Profunda obtiene los peores resultados en general, combinando menor cobertura con intervalos más amplios y mayores penalizaciones. Es importante señalar que la ACI mejorada alcanza su buen rendimiento con solo un pequeño coste computacional adicional sobre el modelo LSTM base.

Qué significa esto para las redes solares del futuro

En términos prácticos, el trabajo muestra que un mejor manejo del ritmo día-noche puede mejorar de forma notable la calidad de las estimaciones de riesgo de la energía solar. Al reiniciar su calibración cada mañana, el enfoque ACI modificado ofrece bandas de confianza que son a la vez fiables y razonablemente estrechas, facilitando a operadores de red y gestores energéticos planificar reservas, comerciar energía e integrar más solar sin sobrerreaccionar ante la incertidumbre. Dado que ACI es agnóstico al modelo y no depende de previsiones meteorológicas detalladas, los autores sostienen que este esquema de reinicio diario podría aplicarse ampliamente a otras instalaciones solares y herramientas de previsión, ofreciendo una forma robusta y basada en datos de convertir al sol en un socio más predecible en los sistemas energéticos del mañana.

Cita: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Palabras clave: previsión de energía solar, predicción probabilística, cuantificación de la incertidumbre, inferencia conformal, redes de energía renovable