Previsión de irradiancia normal directa (DNI) basada en aprendizaje automático usando datos satelitales para centrales termosolares de concentración (CSP) con almacenamiento térmico (TES)

Por qué importa predecir las horas de sol

A medida que más países recurren al sol para alimentar hogares e industrias, surge una gran cuestión: ¿cómo mantenemos la electricidad cuando el cielo cambia minuto a minuto? Las centrales termosolares de concentración, que usan espejos para focalizar la radiación y almacenar calor, pueden suministrar electricidad incluso después del anochecer. Pero para operarlas de forma eficiente y económica, los responsables deben conocer de antemano la intensidad de la radiación solar. Este estudio muestra cómo datos meteorológicos satelitales gratuitos y técnicas modernas de aprendizaje automático pueden ofrecer pronósticos de radiación prácticos y asequibles, adaptados a estas centrales solares de nueva generación.

Convertir imágenes del espacio en pronósticos útiles de radiación

Los investigadores se centran en una magnitud clave llamada irradiancia normal directa, o DNI: la fracción de la radiación solar que viaja en línea recta y puede concentrarse con espejos. A diferencia de los paneles solares convencionales, estas plantas dependen casi por completo de la DNI, que es muy sensible a nubes, humedad y partículas en el aire. En lugar de instalar costosas cámaras e instrumentos en tierra en cada emplazamiento, el equipo usa datos del satélite geoestacionario Himawari-8, que observa gran parte de Asia desde el espacio cada diez minutos. A partir de esta secuencia de imágenes y productos derivados, recogen 17 variables, incluidas distintas medidas de radiación, tipo de nubes, vapor de agua, temperatura y el ángulo solar, y las introducen en modelos de aprendizaje automático entrenados para predecir la DNI futura con horizontes de 30 minutos hasta 6 horas.

Algoritmos inteligentes que aprenden del cielo

Para encontrar la mejor herramienta de predicción, los autores prueban 24 enfoques distintos de aprendizaje automático y comparan su precisión, velocidad y coste computacional. Descubren que una técnica llamada Ensemble Bagging Regression sobresale en pronósticos de muy corto plazo, especialmente en el horizonte de 30 minutos, donde capta detalles finos de cambios recientes. Para plazos más largos, destaca un modelo de regresión por proceso gaussiano exponencial. Este modelo no solo predice la DNI futura, sino que también aporta una medida de incertidumbre incorporada, valiosa para la planificación. A lo largo de horizontes de hasta seis horas, el mejor modelo mantiene un rendimiento sólido, con errores lo suficientemente pequeños como para ser absorbidos por la capacidad amortiguadora natural de los sistemas de almacenamiento térmico en las plantas solares concentradas.

Leer las señales ocultas del tiempo

Más allá de la precisión, el equipo quiere entender qué impulsa las predicciones del modelo. Emplean una técnica de IA explicable conocida como SHAP, que asigna a cada variable de entrada una contribución al pronóstico, de modo similar a repartir la cuenta de una cena entre los comensales. Este análisis revela que el ángulo del sol en el cielo y las propiedades relacionadas con las nubes son los factores más influyentes en muchos horizontes temporales. Las versiones de cielo despejado de las medidas de radiación—lo que sería la radiación sin nubes—también juegan un papel importante, junto con la temperatura y valores pasados simples de la DNI a lags cortos. El aire húmedo, el ozono y la humedad relativa tienden a reducir la radiación esperada, especialmente en meses veraniegos húmedos, mientras que condiciones claras y secas a finales de invierno y principios de primavera la aumentan. Estas conclusiones tranquilizan a los operadores: el modelo responde a señales físicamente sensatas y no a peculiaridades ocultas en los datos.

De llanuras planas a valles montañosos

Una prueba clave es si un modelo entrenado en un lugar puede ser de confianza en otros. Los autores entrenan su sistema en un emplazamiento en Bhagalpur, India, y luego lo aplican a cinco ubicaciones adicionales en Asia meridional, que abarcan desde llanuras bajas hasta las estribaciones del Himalaya. En terrenos más planos, como Jhansi y Kharagpur, los pronósticos siguen siendo muy fiables, con niveles de error estables y poca sobre- o subestimación sistemática. En contraste, estaciones en paisajes más accidentados o complejos, como Makalu en el Himalaya, muestran oscilaciones mayores en precisión y sesgo en ciertos desfases temporales. Estos patrones sugieren que la topografía local y comportamientos meteorológicos particulares—como la formación rápida de nubes alrededor de montañas—pueden desafiar a un modelo basado solo en satélite y posiblemente requieran ajustes adicionales.

Qué significa esto para la energía solar del futuro

Para los operadores de centrales termosolares de concentración con almacenamiento térmico, el estudio ofrece un mensaje práctico: puede que no necesiten el equipo de predicción más caro y ultrapréciso para gestionar sus plantas eficazmente. Gracias al suavizado natural proporcionado por el almacenamiento térmico, un modelo satelital bien diseñado con errores moderados puede seguir apoyando la planificación segura de la producción en las próximas horas. Al basarse en datos satelitales gratuitos y de amplia cobertura y en aprendizaje automático interpretable, este enfoque ofrece una vía escalable para reducir costes y abaratar la electricidad solar en regiones soleadas, especialmente en Asia meridional. Con refinamientos adicionales que tengan en cuenta montañas, aerosoles y patrones meteorológicos locales, tales sistemas de previsión podrían convertirse en una tecnología fundamental para una red más fiable y alimentada por energía solar.

Cita: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Palabras clave: predicción solar, energía solar concentrada, datos satelitales, aprendizaje automático, almacenamiento térmico