Científicos de dos institutos de investigación, de la Universidad Politécnica de Madrid y del Consejo Superior de Investigaciones Científicas, han desarrollado un método basado en técnicas de inteligencia artificial que permite tener en cuenta las variaciones atmosféricas en el diseño de células solares para producir más energía.

Usando una técnica de estadística e inteligencia artificial, que se conoce como clustering, científicos del Instituto de Energía Solar de la Universidad Politécnica de Madrid (IES-UPM) y del Instituto de Micro y Nanotecnologia del Consejo Superior de Investigaciones Científicas (IMN-CSIC) han encontrado una manera práctica de incluir en sus cálculos todos los cambios que se dan en el espectro solar para predecir la producción de energía solar fotovoltaica. El estudio, publicado en Nature Communications, permite encontrar, en unas pocas horas de cálculo, el diseño óptimo de panel solar multiunión para cada localización.

A lo largo del día y a través de las estaciones del año, la posición del sol y las condiciones atmosféricas cambian, y esto hace que la luz que llega a los paneles fotovoltaicos tenga unas características diferentes. El cambio más importante se produce en el contenido espectral de la luz, que consiste en el reparto de colores de ésta. Así, por ejemplo, a mediodía la luz es más “azul”, mientras que por la tarde es más “roja”. Al igual que la fotografía usaba inicialmente un solo pigmento (blanco y negro), para posteriormente pasar a usar tres colores, los paneles solares del futuro serán de tipo multiunión, combinando varios materiales para aprovechar mejor el espectro de la luz solar. Pero la producción de energía de los paneles multiunión depende en cierta medida de los cambios de color que se producen en la luz del sol. Por este motivo, estos paneles se fabrican para producir la máxima energía para un determinado color de la luz y, por tanto, los cambios producidos por la posición del sol y las condiciones atmosféricas dan lugar a pérdidas en la producción. Para lograr reducir estas pérdidas, se intenta diseñar los paneles buscando el óptimo de producción de energía global y no para un color determinado. Pero, debido a la infinita variedad de condiciones atmosféricas combinadas con distintas posiciones del sol, esta optimización es muy complicada.
 
En el trabajo que han llevado a cabo los investigadores han demostrado que los conjuntos de datos con miles de espectros solares pueden reducirse a unos pocos espectros característicos utilizando técnicas de inteligencia artificial, y utilizarlos con éxito para predecir la eficiencia promedio anual en función del diseño de la célula solar. La idea inicial parte de Iván García Vara (IES - UPM) que, durante su estancia en el National Renewable Energy Laboratory, concibió un método estadístico para hacer este tipo de cálculo. Posteriormente, Jose María Ripalda Cobián y Jeronimo Buencuerpo Fariña (IMN - CSIC), aplicaron la técnica de clustering al anterior método consiguiendo un resultado exitoso. Como señala Iván García Vara “el resultado final de nuestro trabajo ha sido la optimización del diseño de los paneles solares multiunión usando como criterio la producción anual de energía”.

Referencias: 
J. M. Ripalda, J. Buencuerpo & I. García. Solar cell designs by maximizing energy production based on machine learning clustering of spectral variations. Nature Communications volumen 9, Article number: 5126 (2018)
 
Iván Garcia, William E. McMahon , Aron Habte , John F. Geisz , Myles A. Steiner , Manajit Sengupta , Daniel J. Friedman. Spectral Binning for Energy Production Calculations and Multijunction Solar Cell Design. Progress in Photovoltaics: Research and Applications: 1-7 (2017)

Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.