ShadowSense predice caídas de la producción solar por movimiento de nubes

Un equipo de investigación de Kaunas University of Technology afirma haber desarrollado un sistema capaz de detectar caídas en la producción solar causadas por nubes antes de que ocurran, brindando a los operadores de red y a las instalaciones solares una advertencia breve pero útil. El sistema, llamado ShadowSense, aprende vinculando imágenes del cielo con cambios en tiempo real en la potencia de un módulo solar, en lugar de depender de grandes conjuntos de imágenes etiquetadas manualmente.

Esto importa porque incluso una pequeña nube que pasa por delante del sol puede reducir la producción de un panel en decenas o incluso cientos de vatios en cuestión de segundos. A medida que las instalaciones solares se multiplican, esos cambios repentinos resultan más difíciles de gestionar para los operadores de red mientras intentan mantener el equilibrio entre generación y consumo.

El profesor Rytis Maskeliūnas, que dirigió el equipo de KTU, dijo que la mayoría de los métodos basados en imágenes dependen de datos etiquetados manualmente, lo que los hace costosos y difíciles de adaptar a distintos lugares y condiciones meteorológicas. ShadowSense, en cambio, observa el movimiento de las nubes, estima la posición del sol, calcula cómo las sombras pueden proyectarse sobre un módulo solar y relaciona eso con cambios previos en la potencia para prever la producción durante el próximo minuto o varios minutos.

Recomendado

Styropyro construyó 'Relámpago en una botella' con mercurio y neón

Cada caída repentina de potencia se convierte en una especie de pista para el sistema, ayudándole a entender qué cambios en la cobertura nubosa pudieron haberla causado.

Los investigadores probaron el sistema en una instalación residencial real en Kaunas, no en un laboratorio. Una cámara gran angular en un tejado capturó el cielo, mientras que un módulo solar en el patio alimentó tanto el sistema de medición como el ordenador de IA. Durante 92 días en el distrito de Kaunas, el equipo recopiló más de 122,000 observaciones sincronizadas que combinaban secuencias de imágenes del cielo y datos de potencia solar.

Según el estudio, publicado en IEEE Transactions on Sustainable Energy, ShadowSense superó a los métodos convencionales en la predicción a corto plazo. Redujo el error medio de predicción en casi un tercio y detectó más del 92 por ciento de los cambios repentinos de potencia relacionados con sombras de nubes.

El sistema también funcionó con la suficiente eficiencia para un despliegue en el edge: una única predicción tardó alrededor de 66 milisegundos, con un consumo energético de aproximadamente 0.52 J por predicción. Eso podría hacerlo útil para sitios solares descentralizados, instalaciones remotas y sistemas sin servidores potentes o acceso continuo a internet.

El artículo es “ShadowSense: Edge Optimized Self-Supervised Learning for Dynamic Shadow Mapping of Solar Panels”, de Rytis Maskeliunas et al., con DOI 10.1109/tste.2026.3707931.