Determinación del potencial energético solar en La Dorada Caldas

Abstract

La energía solar es una fuente de energía renovable y limpia que se utiliza cada vez más para satisfacer la demanda energética mundial. Sin embargo, la cantidad de energía solar disponible en un lugar específico depende en gran medida de las variables meteorológicas, como la cantidad de luz solar, la nubosidad y la temperatura. El conocimiento de las variables meteorológicas es fundamental para evaluar el potencial de la energía solar y predecir la evolución de la irradiación en una serie temporal. Para lograr esto, se requiere una evaluación cuantitativa y cualitativa más precisa utilizando diversas técnicas, incluyendo modelos basados en el brillo solar, modelos basados en temperatura, nubosidad y otros parámetros meteorológicos. Con el fin de adaptarse adecuadamente al cambio climático, es importante destacar que los registros proporcionados por el IDEAM para las variables meteorológicas a menudo presentan errores, datos atípicos y faltantes. Como resultado, es necesario llevar a cabo un proceso riguroso de control de calidad para garantizar la fiabilidad de los datos obtenidos de la estación meteorológica. En este sentido, se llevó a cabo un proceso de imputación para el llenado de los datos faltantes en la serie temporal, utilizando técnicas estadísticas apropiadas y de interpolación. Este proceso permitió obtener una serie temporal más completa y precisa, lo que a su vez facilitó el cálculo de la insolación solar con un promedio anual de 5831 Wh/m2year, y el cálculo de los modelos empíricos basados en temperatura con un promedio anual de 5683 Wh/m2year. El fenómeno ENSO se reconoce como un factor importante que afecta la precisión de los modelos empíricos utilizados para estimar el potencial de energía solar. Dado que los datos de irradiación solar pueden ser menos consistentes que los datos de temperatura, es crucial realizar una validación cuidadosa del impacto del ENSO en los cálculos anuales. Para garantizar la calidad de los datos, se recomienda mantener los instrumentos de medición en buenas condiciones, instalar estaciones meteorológicas auxiliares, utilizar técnicas de interpolación y estadísticas para completar los datos faltantes adquiridos en la serie temporal. El autor propone estas soluciones para mejorar la confiabilidad del sistema de almacenamiento de datos y mejorar la precisión del cálculo. Se utilizaron varios métodos estadísticos para evaluar la precisión de los resultados en los modelos empíricos de temperatura seleccionados para el cálculo de la insolación solar, incluyendo el coeficiente de determinación (𝑅2), el error cuadrático medio (RMSE), el error de sesgo medio (MBE) y el error absoluto medio de sesgo (MABE). Los resultados indicaron que todos los métodos empíricos tenían un ajuste similar según el 𝑅2, pero los métodos de Chen et al., Hunt et al. y Mahmood and Hubbard fueron los mejores para llenar los datos faltantes en términos de MABE. Sin embargo, el error porcentual medio (MPE) arrojó un valor negativo, lo que indica una sobreestimación de los resultados de insolación solar para el año de calibración y se eligen los métodos empíricos de Chen et al., Hunt et al., para el cálculo de la insolación solar en la serie temporal completa (Texto tomado de la fuente).

Solar energy is a renewable and clean source of energy that is increasingly being used to meet global energy demand. However, the amount of solar energy available at a specific location depends largely on weather variables, such as the amount of sunlight, cloud cover, and temperature. Knowledge of these weather variables is crucial for evaluating the potential of solar energy and predicting the evolution of irradiation in a time series. To achieve this, more precise quantitative and qualitative evaluation is required using various techniques, including models based on solar brightness, temperature-based models, cloud cover and other meteorological parameters. To adapt properly to climate change, it is important to highlight that records provided by IDEAM for meteorological variables often have errors, outliers, and missing data. As a result, a rigorous quality control process is necessary to ensure the reliability of the data obtained from the weather station. In this sense, an imputation process was carried out to fill the missing data in the time series, using appropriate statistical and interpolation techniques. This process allowed for a more complete and accurate time series, which in turn facilitated the calculation of solar insulation with an annual average of 5831 Wh/m2year, and the calculation of empirical models based on temperature with an annual average of 5683 Wh/m2year. The ENSO phenomenon is recognized as an important factor affecting the accuracy of empirical models used to estimate the potential of solar energy. Since solar irradiation data may be less consistent than temperature data, it is crucial to carefully validate the impact of ENSO on annual calculations. To ensure data quality, it is recommended to maintain measuring instruments in good condition, install auxiliary weather stations, use interpolation and statistical techniques to fill in missing data in the time series. The author proposes these solutions to improve the reliability of the data storage system and enhance calculation accuracy. Various statistical methods were employed to assess the accuracy of results in the selected empirical temperature models for solar insolation calculation, including the coefficient of determination (R2), Root Mean Square Error (RMSE), Mean Bias Error (MBE), and Mean Absolute Bias Error (MABE). The results indicated that all empirical methods had similar fits according to R2, but Chen et al., Hunt et al., and Mahmood and Hubbard's methods were the best for filling missing data in terms of MABE. However, the mean percentage error (MPE) yielded a negative value, indicating an overestimation of solar insolation results for the calibration year, and therefore, the empirical methods by Chen et al. and Hunt et al. are chosen for solar insolation calculation in the entire time series.