Adaptación al sitio de datos de recurso solar modelados: Anclaje de series satelitales y pronósticos en mediciones de terreno

Publicado el 12 de octubre de 2026

El Energy Yield, el dimensionamiento de la deuda, las valoraciones de activos, la monitorización operativa y las predicciones heredan cualquier error presente en los datos de recurso solar modelados. El método de adaptación al sitio de LuciSun abarca desde el control de calidad del parque de sensores in situ hasta una serie de irradiancia validada y auditable, mostrando dónde la adaptación aporta un valor medible para cada sitio.

Una arquitectura de medición, no una elección entre satélite y terreno

En una planta solar, varios elementos pueden contener información sobre el recurso, cada uno con su propio papel:

  • Sensores in situ (piranómetros y, en algunos sitios, células de referencia u otros instrumentos de irradiancia) observan la planta directamente y a alta frecuencia. Siguen siendo la referencia para la monitorización operativa y los diagnósticos locales, pero su registro suele ser demasiado corto para describir el clima a largo plazo.
  • Un conjunto de datos a largo plazo, habitualmente derivado de satélite, aporta la profundidad histórica que requieren los estudios de recursos y producción. Puede ser la serie temporal histórica por satélite en LuData o un conjunto de datos de terceros adecuado elegido por el cliente. Sin embargo, puede mantener errores sistemáticos específicos del sitio, por ejemplo procedentes de aerosoles locales subrepresentados por el modelo, o artefactos estacionales. El Benchmarking mundial realizado por la Tarea 16 del Programa de Sistemas de Energía Fotovoltaica de la Agencia Internacional de la Energía (IEA PVPS) de diez conjuntos de datos modelados frente a 129 estaciones con control de calidad concluyó que el conjunto de datos más adecuado depende del sitio y del clima [4].
  • Adaptación al sitio conecta ambos: durante el periodo en que ambos están disponibles, utiliza observaciones con control de calidad para hacer que el conjunto de datos a largo plazo sea representativo del sitio.

Nuestro objetivo no es una estrategia basada únicamente en satélites ni un número cada vez mayor de sensores. Es una arquitectura en la que un número limitado de sensores bien mantenidos se leen de forma continua frente a un conjunto de datos independiente a largo plazo, con pruebas claras sobre la calidad de los sensores, el sesgo local, el comportamiento climático a largo plazo y la incertidumbre residual. La serie adaptada al sitio actúa entonces como redundancia analítica: una línea de evidencia adicional que complementa la redundancia física de los sensores en lugar de sustituirla. Fuera del periodo utilizado para ajustarla, ofrece una verificación de los sensores que no depende de sus propias lecturas.

Dónde cambia las decisiones

El recurso es la primera entrada de un Energy Yield Assessment, y cualquier sesgo en él se traslada a la estimación de producción a largo plazo [5]. Anclar el conjunto de datos a largo plazo en mediciones locales proporciona una base más específica del sitio para P50, P90 y otras probabilidades de excedencia del Energy Yield, ya sea para un solo año o a largo plazo, que una estimación regional puramente modelada. Cuando las pruebas lo justifican, una incertidumbre del recurso mejor caracterizada y menor puede respaldar los casos conservadores de producción utilizados en el dimensionamiento de la deuda y los modelos financieros. La magnitud de cualquier ganancia depende del sitio, del conjunto de datos y de las mediciones [2]; debe demostrarse, no asumirse. La adaptación de datos modelados a mediciones en terreno coincidentes es una práctica habitual en las evaluaciones detalladas de recursos y se solicita a menudo en la financiación de proyectos [3]. Cuando los datos lo respaldan, hace que los datos satelitales sean más fiables para cada uno de los usos indicados a continuación.

Este mismo trabajo da sus frutos mucho más allá del cierre financiero:

  • Plantas en operación. La serie adaptada ofrece un contexto independiente a largo plazo para separar los cambios en la producción impulsados por la irradiancia de un bajo rendimiento real, y para revisar la línea de base energética esperada tras meses o años de operación.
  • Plataformas de monitorización y carteras. Cuando una plataforma de monitorización ya recopila datos de irradiancia en múltiples sitios, se puede aplicar el mismo enfoque planta por planta para ofrecer irradiancia histórica adaptada al sitio, años meteorológicos típicos (TMY) y valores P50, junto con predicciones adaptadas continuamente para los próximos días. Cada sitio de la cartera queda entonces disponible en la LuData API y se puede consultar individualmente.
  • Refinanciación, adquisición, desinversión y Technical Due Diligence. Los datos a largo plazo validados localmente con un balance de incertidumbre documentado constituyen una base más sólida para revisar las hipótesis de producción que una serie de mediciones corta o un modelo sin adaptar por sí solo.
  • Decisiones sobre el parque de sensores. La revisión del parque muestra en qué instrumentos se puede confiar e informa las decisiones de sustitución y redundancia.
  • Cambio o comparación de fuentes de datos. Dado que el método no está vinculado a una única base de datos solar, se puede utilizar una referencia de terreno existente para evaluar y, si procede, adaptar otro conjunto de datos horario o subhorario, de modo que las hipótesis sobre el recurso puedan reexaminarse sin depender de un único proveedor.

Paso A: alcance, ingesta de datos y elección del conjunto de datos a largo plazo

  • Recopilar los metadatos de la planta, sensores y mediciones: plano del sensor, historial de calibración y mantenimiento, e información de disposición necesaria para evaluar la representatividad.
  • Ingerir la serie de irradiancia de cada sensor in situ y establecer sus convenciones temporales, granularidad y periodo común utilizable.
  • Seleccione o integre un conjunto de datos a largo plazo que cubra tanto el periodo común como el periodo histórico de interés.
  • Armonice las unidades, la zona horaria, la convención de marca de tiempo, la resolución temporal y las definiciones de las variables antes de cualquier comparación.
  • Registre la procedencia, la versión y los supuestos de incertidumbre del conjunto de datos elegido.

Un conjunto de datos de terceros se acepta cuando ofrece suficiente profundidad histórica, un solapamiento con las mediciones, variables y unidades documentadas, información fiable de marcas de tiempo, continuidad adecuada, consistencia a lo largo del tiempo y, cuando esté disponible, una caracterización de la incertidumbre adecuada para el uso previsto. Si el conjunto de datos proporciona irradiancia global horizontal (GHI) mientras que los sensores miden en el plano del generador (POA), la cadena de descomposición y transposición adecuada pasa a formar parte de la evaluación. Si ya proporciona una serie POA compatible, no se añade ningún término de transposición adicional por defecto. También comprobamos las series a largo plazo en busca de tendencias de oscurecimiento o brillantez global, de modo que el periodo histórico conservado siga siendo representativo del clima actual del emplazamiento en lugar de remontarse a años que ya no se aplican.

Paso B: control de calidad de toda la flota de sensores

Cuando una planta cuenta con varios piranómetros, revisamos toda la flota antes de decidir qué serie utilizar, en lugar de elegir un instrumento por defecto. La revisión sigue los protocolos de control de calidad (QC) que utilizamos en nuestro trabajo de Technical Advisory. Cubre la disponibilidad de datos, la plausibilidad física, los ceros diurnos, los desfases temporales, la consistencia de la orientación, el comportamiento de ganancia y offset, la deriva, las firmas de suciedad o sombreado, las desviaciones entre sensores y los metadatos de calibración y mantenimiento. El conjunto de datos a largo plazo puede ayudar a detectar algunos problemas, como un sensor que no está nivelado o un patrón de sombreado recurrente, pero nunca es el único juez: para evitar el razonamiento circular, la evidencia decisiva procede de las propias mediciones, a través del acuerdo entre los sensores del emplazamiento y, cuando se miden componentes globales, directos y difusos, de pruebas de cierre entre ellos, combinadas con una inspección visual experta [7].

El resultado es una selección documentada: qué sensores son sospechosos, qué serie o series son representativas y fiables, y qué periodos se excluyen y por qué. En emplazamientos heterogéneos espacialmente, se pueden conservar varios sensores o zonas en lugar de imponer una única referencia de terreno a toda la planta.

Para nuevas campañas orientadas a estudios de alta precisión o alta bancabilidad, recomendamos piranómetros ISO 9060:2018 de Clase A "plano espectralmente" [6]. Los instrumentos más antiguos o de clase inferior en plantas existentes no se descartan automáticamente; su idoneidad se juzga mediante la misma revisión. El número, la clase y la ubicación siguen siendo específicos del proyecto, según la extensión de la planta, el terreno, la variabilidad espacial, los objetivos de monitorización y la redundancia de hardware buscada.

Pasos C y D: diagnosticar el error y, a continuación, adaptar y validar

Antes de cualquier corrección, las series de terreno seleccionadas se comparan mensualmente con el conjunto de datos a largo plazo y, cuando los datos lo permiten, con una resolución horaria o subhoraria. Las comparaciones mensuales revelan desviaciones estacionales, a menudo en periodos de sol bajo, y sesgos sistemáticos como el sesgo relacionado con los aerosoles. Los residuos de resolución más fina, examinados por hora del día, estación, estado del cielo y geometría solar, muestran si la desviación es aproximadamente constante o depende de condiciones que un sesgo anual ocultaría. El objetivo es comprender la estructura del error antes de decidir cómo corregirlo o si procede hacerlo.

La corrección se aplica habitualmente a la GHI, o a la irradiancia en el plano del generador (POA) cuando solo se dispone de sensores en el plano del generador. Se establece una relación específica del emplazamiento entre las observaciones de terreno conservadas y el conjunto de datos a largo plazo durante el periodo común, y luego se transfiere a la serie histórica completa preservando su variabilidad climática a largo plazo. Existen varias familias de métodos, incluidos métodos basados en regresión, mapeo de cuantiles o distribuciones, enfoques dependientes de las condiciones y combinaciones de estos [1, 3, 8], y el Benchmarking dentro de la Task 16 de la IEA PVPS demostró que ningún enfoque único es el mejor para cada emplazamiento, componente de irradiancia y conjunto de datos [2]. Por lo tanto, la elección del método se rige por el diagnóstico y las evidencias, no por costumbre.

Periodo común. Aproximadamente entre uno y dos años de mediciones simultáneas constituyen una base sólida, ya que abarca el ciclo estacional. Los trabajos publicados indican que periodos de ajuste muy cortos pueden producir adaptaciones erróneas y que generalmente es preferible un solapamiento de buena calidad de un año o más [3].

Validación y aceptación. Tanto el conjunto de datos original como el adaptado se comparan con los datos de terreno sometidos a control de calidad, sobre datos de validación independientes cuando el período común lo permite, por ejemplo mediante validación cruzada por meses, para limitar el sobreajuste [3]. Dado que ninguna estadística describe por sí sola una serie de irradiancia de forma completa, la comparación combina sesgo, dispersión (error medio absoluto y error cuadrático medio), correlación y similitud de distribución, y comprueba la irradiación mensual y anual por separado. La adaptación solo se conserva cuando la evidencia muestra una mejora robusta sin comportamientos estacionales no realistas o pérdida de plausibilidad física. A veces, el conjunto de datos original ya coincide bien con las mediciones, o bien los datos no pueden respaldar una corrección robusta; los estudios comparativos publicados también muestran que una corrección inadecuada o unos datos de terreno deficientes pueden aportar pocos beneficios, o dejar el conjunto de datos peor que antes [1, 2]. Por lo tanto, una conclusión válida puede ser conservar el conjunto de datos original, restringir la adaptación a un alcance adecuado o entregarla con reservas explícitas.

Paso E: incertidumbre, evaluada componente por componente

No aplicamos un porcentaje genérico. La incertidumbre del conjunto de datos a largo plazo original (incluida cualquier transposición al plano de medición), la de las mediciones de terreno retenidas y la de la adaptación y su error residual se evalúan por separado, junto con la representatividad de un período común limitado. Mantenerlas separadas también muestra si las diferencias observadas entre las mediciones de terreno y el conjunto de datos a largo plazo son realmente significativas. Las componentes se combinan en cuadratura solo cuando su independencia está justificada, examinando explícitamente las correlaciones y la doble contabilidad, de acuerdo con la norma internacional Guide to the Expression of Uncertainty in Measurement (GUM) [9]. La variabilidad interanual se informa fuera de este presupuesto: describe el clima año a año en lugar del error de medición o de modelo, y su uso en los cálculos de P50, P90 y similares depende del marco del estudio de rendimiento.

Paso F: lo que recibe el cliente

La entrega está diseñada para que el cliente, el ingeniero del prestamista o un revisor independiente puedan seguir cada decisión. Los clientes reciben las mediciones de terreno validadas, con los períodos excluidos documentados; el conjunto de datos a largo plazo en su forma original junto con la serie adaptada al sitio; los resultados comparativos de validación de ambos con respecto a las mediciones; la evaluación de la incertidumbre; y las hipótesis, limitaciones y uso previsto documentados. El alcance se establece sitio por sitio, en función del número de sensores, la calidad de los datos, la fuente a largo plazo, la resolución de salida requerida y la profundidad de validación esperada.

La adaptación histórica no es calibración de pronósticos

Las mismas mediciones con control de calidad pueden servir más adelante para las operaciones, pero las dos tareas son diferentes:

  • Adaptación histórica del sitio ancla una serie multianual para la evaluación del rendimiento, valores de P50 y P90 y financiación. Puede ser un ejercicio puntual para un sitio determinado.
  • Calibración de pronósticos entrena una corrección estadística o una capa de posprocesamiento en el solapamiento entre los pronósticos archivados y las mediciones del sitio (irradiación y, cuando corresponda, producción de la planta) para reducir el sesgo local en los pronósticos utilizados para operaciones, trading o dispatch. Se aplica a través de horizontes de pronóstico, tanto a pronósticos deterministas basados en predicción numérica del tiempo (NWP) como a pronósticos probabilísticos específicos del sitio, donde la corrección debe mantener la dispersión predicha realista, no solo el valor central.

Los errores de pronóstico dependen del tiempo de antelación y de la situación meteorológica, por lo que una corrección derivada para la serie histórica no puede trasplantarse simplemente a un flujo de pronósticos. Una corrección de pronósticos necesita sus propios datos de entrenamiento, en la práctica a menudo alrededor de uno a dos años de mediciones horarias o más finas tras el QC, y su propia verificación con métricas de habilidad de pronóstico, además de, para pronósticos probabilísticos, comprobaciones de que los rangos predichos coinciden con lo que realmente se observa; deja inalterados los P50 y P90 históricos. Ambas tareas dependen de datos de terreno sólidos: calibrar un pronóstico con un sensor que presenta deriva traslada esa deriva al flujo operacional. LuData ya ofrece pronósticos NWP deterministas y pronósticos probabilísticos específicos del sitio a través de su API; la adaptación al sitio de estos flujos a las mediciones propias de la planta se puede configurar como un servicio prémium de Technical Advisory y software, independiente de la suscripción estándar.

Trabajar con LuciSun

La adaptación al sitio se ofrece a través de nuestros servicios de Technical Advisory, para desarrolladores, productores independientes de energía (IPP), asset owners, prestamistas e ingenieros de la propiedad, así como para proveedores de datos y consultoras de ingeniería o recursos que necesiten QC y adaptación independientes. Si tiene una campaña en marcha, una flota de sensores sobre la que tenga dudas o mediciones que nunca se hayan utilizado para adaptar una serie a largo plazo o un pronóstico, podemos revisar lo que respaldan los datos.

Solicite nuestra nota técnica para clientes. Los clientes potenciales pueden solicitar un documento más detallado que abarca nuestra metodología, principios de validación, tratamiento de la incertidumbre, entregables y consideraciones específicas del proyecto. Es un recurso práctico al planificar una campaña de medición, encargar una evaluación de recursos o de Energy Yield, o revisar la base de recursos de un proyecto existente. Solicítelo a través del formulario de contacto, reservar una llamada de introducción para hablar sobre su emplazamiento, o abrir un ticket de soporte.

References

  1. Polo, J., Wilbert, S., Ruiz-Arias, J.A., Meyer, R., Gueymard, C., Šúri, M., et al. (2016). Estudio preliminar sobre técnicas de adaptación local para conjuntos de datos de radiación solar derivados de satélite y reanálisis. Solar Energy, 132, 25–37. https://doi.org/10.1016/j.solener.2016.03.001
  2. Polo, J., Fernández-Peruchena, C., Salamalikis, V., Mazorra-Aguiar, L., Turpin, M., Martín-Pomares, L., Kazantzidis, A., Blanc, P., Remund, J. (2020). Evaluación comparativa de técnicas de mejora y adaptación local para conjuntos de datos de radiación solar modelados. Solar Energy, 201, 469–479. https://doi.org/10.1016/j.solener.2020.03.040
  3. Fernández-Peruchena, C.M., Polo, J., Martín, L., Mazorra, L. (2020). Adaptación local de datos de radiación solar modelados: El procedimiento SiteAdapt. Remote Sensing, 12(13), 2127. https://doi.org/10.3390/rs12132127
  4. Forstinger, A., Wilbert, S., Jensen, A.R., Kraas, B., Fernández Peruchena, C., Gueymard, C.A., et al. (2023). Worldwide Benchmark of Modelled Solar Irradiance Data. IEA PVPS Task 16, Report IEA-PVPS T16-05:2023. https://iea-pvps.org/wp-content/uploads/2023/06/IEA-PVPS-T16-05-2023-Worldwide-Benchmark-Modelled-Solar.pdf
  5. Sengupta, M., Habte, A., Wilbert, S., Gueymard, C., Remund, J., Lorenz, E., van Sark, W., Jensen, A.R. (2024). Best Practices Handbook for the Collection and Use of Solar Resource Data for Solar Energy Applications: Fourth Edition. Laboratorio Nacional de Energías Renovables, NREL/TP-5D00-88300. https://doi.org/10.2172/2448063
  6. Organización Internacional de Normalización (2018). ISO 9060:2018 Energía solar – Especificación y clasificación de instrumentos para la medición de la radiación solar hemisférica y solar directa. ISO, Ginebra. https://www.iso.org/standard/67464.html
  7. Forstinger, A., Wilbert, S., Jensen, A.R., Kraas, B., Fernández Peruchena, C., Gueymard, C.A., et al. (2021). Control de calidad experto de conjuntos de datos terrestres de radiación solar. En Actas del ISES Solar World Congress 2021, págs. 1037–1048. https://doi.org/10.18086/swc.2021.38.02
  8. Dhata, E.F., Kim, C.K., Kim, H.-G., Kim, B., Oh, M. (2022). Adaptación local para la corrección de la irradiancia solar derivada de satélites: Comparación del rendimiento entre varias técnicas regresivas y de mapeo de distribución para su aplicación en Daejeon, Corea del Sur. Energies, 15(23), 9010. https://doi.org/10.3390/en15239010
  9. Comité Conjunto para las Guías en Metrología (2008). JCGM 100:2008 Evaluación de datos de medición – Guía para la expresión de la incertidumbre en la medición (GUM). BIPM. https://www.bipm.org/documents/20126/2071204/JCGM_100_2008_E.pdf

¿Planificando una campaña o revisando un proyecto? Hablemos.