Investigadores de Almería diseñan un sistema de IA para mejorar el rendimiento de plantas solares

La novedad de este sistema es su capacidad para gestionar de forma autónoma, en tiempo real y de forma simultánea, miles de heliostatos, 'espejos' que reflejan la radiación solar hacia diferentes puntos óptimos de un receptor para transformar la radiación solar en energía térmica.

De este modo, incrementa hasta un 8,8% la energía capturada anualmente en comparación con las estrategias tradicionales, que consisten en colocar estos en puntos predefinidos. Habitualmente, este sistema de control solar está bajo supervisión humana permanente, dado que su correcto funcionamiento requiere que se adapten a los cambios de las condiciones solares y meteorológicas constantemente.

La estrategia propuesta por los investigadores disminuye los riesgos de operación, es más segura, eficiente y rentable económicamente que las tradicionales, dado que incrementa la cantidad de energía capturada y, al mismo tiempo, reduce los costes operativos. Este trabajo perteneciente al proyecto HELIOSUN ha sido financiado por la Consejería de Universidad, Investigación e Innovación de la Junta de Andalucía y la Agencia Estatal de Investigación del Ministerio de Ciencia, Innovación y Universidades.

Adaptarse a distintos escenarios

En el artículo titulado 'Reinforcement learning for heliostat aiming: improving the performance of Solar Tower Plants' y publicado en Applied Energy, los expertos explican que este sistema emplea un enfoque 'inteligente' basado en aprendizaje por refuerzo (reinforcement learning) para que los heliostatos concentren la radiación solar sobre el receptor automáticamente de manera óptima. Este modelo elimina la necesidad de ajustar puntos predefinidos de forma manual y supervisión humana constante, adaptándose a cambios meteorológicos y de la posición del sol en tiempo real.

El aprendizaje por refuerzo es una técnica de inteligencia artificial en la que un sistema aprende a tomar decisiones en un entorno cambiante mediante prueba y error. «El algoritmo se basa en un histórico de datos para aprender y utiliza redes neuronales, que funcionan como un 'cerebro', para aprender qué está bien y qué está mal. Esto permite que ajuste la estrategia a cada situación y aprender a resolver problemas complejos», explica a la Fundación Descubre, organismo dependiente de la Consejería de Universidad, Investigación e Innovación, el investigador de CIEMAT-PSA Javier Bonilla, coautor del estudio.

Entorno simulado

Para confirmar su eficacia, los expertos probaron esta estrategia durante un año en un entorno simulado en un 'superordenador' en el Centro Extremeño de Tecnologías Avanzadas (CETA-CIEMAT), donde la inteligencia artificial tenía en cuenta factores como la época del año, el momento del día y condiciones climáticas procedentes de una estación meteorológica para modificar la posición de 300 heliostatos. «Esto permite al sistema tomar decisiones minuto a minuto sin supervisión», comenta el investigador de CIEMAT-PSA José Antonio Carballo, coautor del estudio.

De este modo, esta tecnología aprende, de distintos escenarios, la mejor manera de posicionar los heliostatos en función de las circunstancias para que estos recojan más energía.

La unidad de investigación 'Tecnologías Termosolares de Foco Puntual' del CIEMAT-PSA pretende ahora ampliar el alcance de este proyecto para automatizar la planta solar al completo. Para ello, se han propuesto crear un gemelo digital de una planta solar de torre al que aplicar algoritmos de aprendizaje que le permita gestionarse de forma autónoma.