Con el objetivo de mejorar el rendimiento de las plantas termosolares, un equipo de investigadores de la Universidad de Sevilla ha implementado una estrategia de control en dichas plantas. El sistema presentado consigue que cada concentrador termosolar se comporte como un individuo independiente y se comunique con el resto, atendiendo a las necesidades de cada momento y aprendiendo de las informaciones que llegan del resto de concentradores de manera autónoma. De esta forma, se ajustan de manera automática sus funciones para mejorar la generación de energía en tiempo real.
Los concentradores de radiación solar usan lentes o espejos que focalizan los rayos del sol sobre una superficie pequeña para generar electricidad. Concretamente, el estudio se ha basado en concentradores cilíndricos parabólicos, llamados así por su forma. Éstos condensan la luz en un tubo, situado en medio del espejo, que contiene un fluido que se calienta. El calor, que puede llegar a alcanzar los 390ºC, sirve para producir vapor que alimenta a una turbina que genera electricidad. A través del control de las válvulas de entrada de los concentradores, los expertos han conseguido aumentar la energía generada independientemente de los cambios de radiación solar.
Control predictivo de los colectores
El sistema propuesto es conocido como control predictivo, con el que se optimiza la energía solar recogida en los concentradores pudiendo anticipar qué ocurrirá con ayuda de un modelo. Así, cada colector es controlado individualmente de manera que aporta información sobre su funcionamiento, la cantidad de radiación que recibe o las restricciones de operación, entre otras variables. Simultáneamente, los distintos controladores se comunican entre ellos gestionando las sinergias para optimizar todo el proceso de manera conjunta.
Generalmente, el control de los concentradores solares suele realizarse de manera centralizada. Es decir, se produce desde una sola plataforma donde se gestionan todos los de una misma planta. Esto conlleva una serie de problemas, como la complejidad de los modelos utilizados y los altos requisitos de tiempo para el cálculo. Sin embargo, este nuevo método permite resolver problemas individuales más rápidamente.
La nueva propuesta consiste en dividir el campo solar en distintas particiones compuestas por coaliciones de concentradores que pueden intercambiar entre sí el fluido de transferencia de calor bajo la supervisión de una red neuronal artificial. Así, cuando algunos colectores no están obteniendo el resultado esperado, se apoyan en los otros.
De esta manera, se resuelven problemas que se presentan en cada colector de manera individual, pero además se informa al resto de concentradores y todos van ‘aprendiendo’ de manera continua. Posteriormente, se pueden reconfigurar y adaptar a otra nueva situación para producir la misma cantidad de electricidad que en situaciones normales o la que requiera el mercado en cada momento.
La mejora energética se debe a la automatización del aprendizaje mediante un algoritmo basado en un histórico de datos de conocimiento del sistema, que incluye el funcionamiento del campo solar bajo diferentes escenarios y la mejor forma de gestión para alcanzar la cantidad de electricidad necesaria. El propio sistema es capaz de entender qué está ocurriendo y autorregularse para que la producción no se vea afectada.
Futuras mejoras
Los investigadores pretenden ampliar el alcance de este trabajo incluyendo un modelo hidráulico que optimice el flujo en los concentradores y la mejora en el diseño de las redes neuronales. También plantean la aplicación de este modelo a otras industrias, como la robótica.
Los resultados de este trabajo de investigación se han explicado en el artículo ‘A fast implementation of coalitional model predictive controllers based on machine learning: Application to solar power plants’, publicado en la revista Engineering Applications of Artificial Intelligence. La investigación se ha financiado mediante el proyecto Ocontsolar del programa Horizonte 2020 del Consejo Europeo de Investigación.