Optimización del rendimiento en los sistemas solares térmicos mediante modelos neurales

Texto completo

(1)ESCUELA TÉCNICA SUPERIOR DE INGENIERÍAS AGRARIAS DEPARTAMENTO DE INGENIERÍA AGRÍCOLA Y FORESTAL. TESIS DOCTORAL: OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. Presentada por D. Francisco Javier Diez Morante para optar al grado de doctor por la Universidad de Valladolid. Dirigida por: Dr. Luis Manuel Navas Gracia Dr. Andrés Martínez Rodríguez.

(2)

(3) RESUMEN Las energías renovables son inagotables y no contaminantes, distribuidas por amplias zonas, pudiéndose utilizar descentralizadamente, contribuyendo al autoabastecimiento e independencia energética, estimulan el desarrollo empresarial y empleo. Las energías convencionales se caracterizan por todo lo contrario son muy costosas ambiental, social y económicamente, además de bastante complejas técnicamente. La energía solar utiliza tecnologías de conversión muy flexibles y su desarrollo se puede realizar en distintas escalas, evitando su distribución y transporte. En esta Tesis Doctoral se pretende conseguir una optimización en el rendimiento energético de los sistemas solares térmicos, respecto al obtenido mediante los métodos de diseño utilizados habitualmente. El objetivo de esta Tesis Doctoral es desarrollar un modelo de simulación que, de manera general, permita reproducir el funcionamiento en pequeños intervalos y durante largos periodos de tiempo, de los componentes principales del sistema solar térmico, fundamentándose en la teoría del modelado de la predicción de las series de tiempo, formadas por datos procedentes de las medidas registradas durante su operación de la irradiancia solar y las temperaturas acaecidas en la instalación solar particular. Aplicada con la técnica de las redes neuronales artificiales, perteneciente al área de conocimiento de la inteligencia computacional. Y con un bajo coste en la obtención de los datos, así como de su tratamiento por personal no especialista en la materia. El modelo propuesto simula la dinámica del funcionamiento de un sistema solar térmico en base a cuatro variables: • • • •. La irradiancia solar que incide en el captador solar, estimada respecto el valor que se registra o se predice sobre la horizontal. La temperatura ambiente en el entorno del captador solar, que se registra o se predice para el día de mañana. El caudal de agua caliente solar de consumo que se estima para cada intervalo de tiempo en la simulación. La temperatura del agua de red que entra en el depósito acumulador, que se estima respecto a mediciones durante el año.. Los resultados de la simulación se comparan con el método f-chart, usado como referencia, en sus mismas condiciones de aplicación y teniendo en cuenta el efecto de la estratificación térmica en el depósito acumulador del cual se consigue una importante optimización del rendimiento en el sistema solar térmico. Además se consigue identificar matemáticamente la evolución de las temperaturas de estratificación estática mediante la suma de dos curvas exponenciales. Se estudia y agrupa la metodología para la estimación de la irradiación solar incidente sobre el captador solar a partir de la recibida en la horizontal. Se desarrollan nuevos modelos de predicción de las variables ambientales a corto plazo. Y se encuentra un fallo en la aplicación actual del método f-chart, al utilizar los coeficientes de la ecuación característica del captador solar ensayado con un caudal del fluido portador distinto al especificado por el método, lo que ocasiona variaciones importantes en la cobertura solar resultante..

(4)

(5) ABSTRACT Renewable energies are inexhaustible and non-polluting, distributed over wide areas and can be used in a decentralized, contributing to self-sufficiency and energy independence, stimulate business development and employment. Conventional energy sources are characterized by the opposite are costly environmentally, socially and economically as well as technically quite complex. Solar energy conversion technologies used very flexible and their development can be performed on different scales, avoiding their distribution and transport. This Doctoral Thesis aims to achieve energy efficiency optimization of solar thermal systems, compared to that obtained by the methods commonly used design. The aim of this Doctoral Thesis is to develop a simulation model that, in general, to reproduce the operation in small intervals and for long periods of time, the main components of solar thermal system, building on the theory of prediction modeling time series, consisting of data from the measurements recorded during operation of solar irradiance and temperatures in the solar system occurred particular. Applied with the technique of artificial neural networks, belonging to the area of computational intelligence knowledge. And with low cost in obtaining the data, and their treatment by non-specialist in the subject. The proposed model simulates the dynamics of the operation of a solar thermal system based on four variables: • • • •. The solar irradiance incident on the solar collector, estimated on the value that is recorded or is predicted above the horizontal. The environmental temperature of the solar collector, which is recorded or is predicted for tomorrow. The flow of solar hot water consumption is estimated for each time interval in the simulation. The mains water temperature entering the storage tank, estimated about measurements during the year.. The simulation results are compared with f-chart method, used as a reference in its conditions of application, taking into account the effect of thermal stratification in the accumulator tank which achieves significant performance optimization in the solar thermal system. Identifying mathematically also achieving the evolution of the static temperature stratification by the sum of two exponential curves. And groups studied methodology for estimating the solar radiation incident on the solar collector received from the horizontal. You develop new models to predict the short-term environmental variables. And there is a bug in the current implementation of the f-chart method, using the coefficients of the characteristic equation tested solar collector with a flow rate of the carrier fluid not specified by the method, which causes significant variations in the resulting solar coverage..

(6)

(7) Hay personas que transforman el Sol en una simple mancha amarilla, pero hay también quien hace de una simple mancha amarilla el propio Sol. - Pablo Picasso.

(8)

(9) JUSTIFICACIÓN Los métodos de cálculo y simulación del funcionamiento de los sistemas solares térmicos, pueden obtener resultados más o menos precisos y detallados, en función de su complejidad, lo que repercute en su coste. Conseguir una metodología para la modelización de un sistema solar térmico, solamente a partir de los datos medidos durante su actividad de los valores de la irradiancia solar y las temperaturas. Resulta muy interesante, debido a su bajo coste y además de que se obtiene un informe actualizado de las condiciones específicas de cada instalación solar. Con una simulación detallada se puede estimar de una forma más precisa el rendimiento del sistema solar térmico, ya sea con datos medidos y registrados de su funcionamiento, o generados por otros métodos para cada componente, pudiéndose utilizar para el diseño. Al variar la cantidad de agua caliente solar consumida en función de unas predicciones climatológicas para el día de mañana, puede lograrse una optimización del rendimiento del sistema solar térmico, además de tener en cuenta el efecto de la estratificación térmica del agua caliente solar en el depósito acumulador. Esta metodología puede aplicarse a otros sistemas de energías renovables como los eólicos o fotovoltaicos. Además de reforzar las investigaciones llevadas a cabo para el modelado neural de los componentes de otros tipos de sistemas. Los beneficios de esta investigación pueden llegar a cualquier técnico o ingeniero que con una muestra de datos representativos del funcionamiento en un sistema solar térmico, pueden crear modelos neuronales de los componentes y simular el rendimiento del sistema completo, buscando las condiciones más idóneas para cada caso..

(10)

(11) Si tuviese que elegir una religión, el Sol como fuente universal de vida sería mi dios.- Napoleón.

(12)

(13) OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. -----------ÍNDICE. (Capítulo/Anexo.Apartado.Número). (Capítulo/Anexo:Página). Capítulo 1 INTRODUCCIÓN, OBJETIVOS, ESTRUCTURA Y CONTENIDO DE LA TESIS DOCTORAL 1:1 1.1 Introducción………………………………………………………………………………………………………………………. 1:2 1.2 Objetivos de la Tesis Doctoral……………………………………………………………………………………………. 1:4 1.3 Estructura y contenido de la Tesis Doctoral……………………………………………………………………….. 1:6 Capítulo 2 ESTADO DEL ARTE 2:1 2.1 El método f-chart………………………………………………………………………………………………………………. 2:3 2.1.1 Modelado y simulación de los sistemas solares térmicos…………………………….............. 2:5 2.2 Predicción de las variables ambientales: irradiación solar y temperatura ambiente………….. 2:8 2.2.1 La persistencia radiativa……………………………………………………………………………………………2:11 2.2.2 Validación y rendimiento de los modelos………………………………………………………………… 2:13 2.2.3 Datos climáticos CENSOLAR………………………………………………………………………………………2:14 2.2.4 Modelado por correlación……………………………………………………………………………………….. 2:14 2.2.5 Análisis de Fourier…………………………………………………………………………………………………….2:17 2.2.6 Modelado mediante el año meteorológico típico……………………………………………………..2:17 2.2.7 Modelado por satélites artificiales…………………………………………………………………………… 2:21 2.2.8 La estimación y la predicción de la irradiación solar mediante la inteligencia computacional…………………………………………………………………………………………………………. 2:23 2.2.9 La predicción de la irradiación solar global diaria a partir de la temperatura diaria…. 2:31 2.3 Estimación de la irradiación solar incidente sobre un plano inclinado y orientado…………….. 2:34 2.3.1 La irradiación solar difusa horizontal.………….…………………………………………………………… 2:37 2.3.2 Los componentes de la irradiación solar sobre un plano inclinado…………………………… 2:40 2.3.3 La irradiación solar global incidente sobre un plano inclinado…………………………………. 2:44 2.4 Modelado de los componentes de un sistema solar térmico……………………………………………… 2:45 2.4.1 Modelado del captador solar…………………………………………………………………………………… 2:45 2.4.2 Modelado del intercambiador de calor……………………………………………………………………. 2:47 2.4.3 Modelado de la estratificación térmica en el depósito…………………………………………….. 2:50 2.5 Las series de tiempo en la inteligencia computacional. Marco teórico………………………………. 2:63 2.5.1 El análisis de las series de tiempo……………………………………………………………………………..2:63 2.5.2 Las redes neuronales artificiales………………………………………………………………………………. 2:64 2.5.3 La inteligencia computacional en el modelado………………………………………………………… 2:76 Capítulo 3 MATERIALES Y METODOLOGÍA 3:1 3.1 Descripción técnica de la planta piloto………………………………………………………………………………. 3:3 3.2 El método f-chart………………………………………………………………………………………………………………. 3:10 3.2.1 Modelado de los componentes del circuito primario del sistema solar térmico en el método f-chart………………………………………………………………………………………………………… 3:10 3.2.2 El método f-chart para sistemas solares térmicos con fluido portador líquido…………. 3:16 Francisco Javier Diez Morante. I.

(14) Tesis Doctoral. 3.3 3.4. 3.5. 3.6. 3.7 3.8. 3.2.3 Resultados en la aplicación del método f-chart…………………………………………………………3:22 Herramienta para la implementación de las redes neuronales artificiales…………………………. 3:24 Predicción neural de las variables ambientales………………………………………………………………….. 3:25 3.4.1 La predicción de la irradiación solar global diaria del día de mañana mediante redes neuronales artificiales……………………………………………………………………………………………… 3:26 3.4.2 La predicción de la irradiación solar global diaria del día de mañana a partir de la temperatura ambiente mediante redes neuronales artificiales……………………………….. 3:31 3.4.3 La predicción de las temperaturas media, máxima y mínima diaria del día de mañana mediante redes neuronales artificiales………………………………………………………. 3:35 3.4.4 Estimación de la irradiancia solar horaria media a partir de la irradiación solar global diaria mediante redes neuronales artificiales………………………………………………… 3:37 3.4.5 Estimación de la temperatura media horaria a partir de las temperaturas media, máxima y mínima diaria mediante redes neuronales artificiales……………………………… 3:39 Estimación de la irradiación solar sobre el plano inclinado y orientado……………………………… 3:42 3.5.1 Modelado de la irradiación solar extraterrestre………………………………………………………. 3:43 3.5.2 Modelado de la irradiación solar difusa horizontal……………………………………………………3:46 3.5.3 Modelado de la altura solar y el ángulo zenit…………………………………………………………… 3:46 3.5.4 Modelado del ángulo de incidencia de la irradiación solar sobre el captador…………… 3:46 Modelado neural de los componentes del sistema solar térmico………………………………………. 3:48 3.6.1 Modelado del captador solar con redes neuronales artificiales……………………………….. 3:48 3.6.2 Modelado del intercambiador de calor con redes neuronales artificiales………………… 3:49 3.6.3 Modelado de la estratificación térmica del agua caliente solar en el depósito acumulador con redes neuronales artificiales………………………………………………………….. 3:51 Simulación neural del sistema solar térmico...…………………………………………………………………… 3:56 Optimización del rendimiento en el sistema solar térmico………………………………………………… 3:62. Capítulo 4 RESULTADOS Y PRESENTACIÓN DE LOS DATOS 4:1 4.1 Simplificaciones utilizadas en el método f-chart………………………………………………………………… 4:3 4.2 Predicción de las variables ambientales…………………………………………………………………………….. 4:15 4.2.1 Datos climáticos CENSOLAR………………………………………………………………………………………4:15 4.2.2 Modelado por correlación……………………………………………………………………………………….. 4:16 4.2.3 Análisis del alisado de series de tiempo…………………………………………………………………… 4:21 4.2.4 Regresión lineal……………………………………………………………………………………………………….. 4:28 4.2.5 Análisis de Fourier…………………………………………………………………………………………………….4:32 4.2.6 Análisis de Markov…………………………………………………………………………………………………… 4:44 4.2.7 Estimación de la temperatura media horaria con el método ASHRAE……………………….4:48 4.3 Modelado de los componentes del circuito primario…………………………………………………………. 4:49 4.3.1 Modelado del captador solar…………………………………………………………………………………… 4:49 4.3.2 Modelado del intercambiador de calor……………………………………………………………………. 4:55 4.4 Predicción neural de las variables ambientales………………………………………………………………….. 4:60 4.4.1 Resultados de la predicción de la irradiación solar global diaria………………………………. 4:61 4.4.2 La predicción de la irradiación solar global diaria del día de mañana a partir de la temperatura ambiente mediante redes neuronales artificiales……………………………….. 4:73 4.4.3 La predicción de las temperaturas media, máxima y mínima diaria del día de mañana mediante redes neuronales artificiales………………………………………………………. 4:80 4.4.4 Resultado de la estimación de la irradiancia solar horaria media a partir de la irradiación solar global diaria mediante redes neuronales artificiales……………………… 4:83 4.4.5 Resultados de la estimación de la temperatura media horaria a partir de las temperaturas media, máxima y mínima mediante redes neuronales artificiales……… 4:86 4.5 Estimación de la irradiación solar sobre el plano inclinado y orientado……………………………… 4:89 4.5.1 Resultado del modelado de la irradiación solar extraterrestre………………………………….4:89 II. ÍNDICE.

(15) OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. 4.6. 4.7. 4.8. 4.5.2 Resultado del modelado de la irradiación solar difusa horizontal……………………………..4:92 4.5.3 Resultado del cálculo de la altura solar horaria en la latitud 42° Norte y la longitud 5,6° Oeste………………………………………………………………………………………………………………… 4:94 4.5.4 Resultado del cálculo del ángulo de incidencia horario sobre un captador inclinado 45° en la latitud 42° y longitud 5,6° Oeste…………………………………………………………………4:95 4.5.5 Resultados obtenidos de la irradiación solar sobre el captador solar………………………..4:97 Modelado neural de los componentes del sistema solar térmico………………………………………. 4:100 4.6.1 Resultado del modelado del captador solar con redes neuronales artificiales…………. 4:100 4.6.2 Resultado del modelado del intercambiador de calor con redes neuronales artificiales………………………………………………………………………………………………………………… 4:103 4.6.3 Resultado del modelado de la estratificación térmica del depósito acumulador de agua caliente con redes neuronales artificiales…………………………………………………………4:106 Simulación neural del sistema solar térmico……………………………………………………………………… 4:113 4.7.1 Resultado de la simulación del sistema solar térmico el día 10-10-2011 en León…….. 4:114 4.7.2 Resultado de la simulación del sistema solar térmico el día 28-11-2011 en León…….. 4:116 4.7.3 Resultado de la simulación del sistema solar térmico mensualmente durante diez años en León……………………………………………………………………………………………………………. 4:118 Optimización del rendimiento en los sistemas solares térmicos………………………………………… 4:133. Capítulo 5 ANÁLISIS Y DISCUSIÓN DE LOS RESULTADOS 5:1 5.1 Análisis de la predicción de variables ambientales…………………………………………………………….. 5:14 5.2 Análisis de la estimación de irradiación solar sobre el plano inclinado………………………………. 5:26 5.3 Análisis del modelado neural de los componentes del sistema solar térmico……………………. 5:29 5.4 Análisis sobre la simulación neural del sistema solar térmico……………………………………………. 5:35 5.5 Análisis de la optimización del rendimiento mediante la distribución del consumo respecto a la energía solar disponible………………………………………………………………………………… 5:41 Capítulo 6 CONCLUSIONES. 6:1. Capítulo 7 LÍNEAS FUTURAS DE INVESTIGACIÓN. 7:1. Anexo 1 DATOS CLIMATOLÓGICOS A.1:1 A.1.1 Estación meteorológica SIAR en Mansilla Mayor (León)…………………………………………………..… A.1:2 A.1.2 Datos de irradiación solar SIAR en Mansilla Mayor (León)…………………………………………………. A.1:5 A.1.3 Datos de temperatura ambiente SIAR en Mansilla Mayor (León)………………………………………. A.1:11 A.1.4 Datos de irradiación solar CENSOLAR en León…………………………………………………………………… A.1:17 A.1.5 Datos de temperatura ambiente CENSOLAR en León………………………………………………………….A.1:17 Anexo 2 DATOS DE LOS ENSAYOS EN LA PLANTA PILOTO A.2:1 A.2.1 Datos del ensayo en la planta piloto del día: 1-7-2011………………………………………………………. A.2:2 A.2.2 Datos del ensayo en la planta piloto del día: 4-7-2011………………………………………………………. A.2:3 A.2.3 Datos del ensayo en la planta piloto del día: 29-8-2011…………………………………………………….. A.2:4 A.2.4 Datos del ensayo en la planta piloto del día: 7-9-2011………………………………………………………. A.2:5 A.2.5 Datos del ensayo en la planta piloto del día: 21-9-2011…………………………………………………….. A.2:6 A.2.6 Datos del ensayo en la planta piloto del día: 4-10-2011…………………………………………………….. A.2:7 A.2.7 Datos del ensayo en la planta piloto del día: 6-10-2011…………………………………………………….. A.2.8 A.2.8 Datos del ensayo en la planta piloto del día: 10-10-2011…………………………………………………… A.2:9 A.2.9 Datos del ensayo en la planta piloto del día: 7-11-2011…………………………………………………….. A.2:10 A.2.10 Datos del ensayo en la planta piloto del día: 28-11-2011…………………………………………………… A.2:11 A.2.11 Datos del ensayo en la planta piloto del día: 9-3-2012………………………………………………………. A.2:12 Francisco Javier Diez Morante. III.

(16) Tesis Doctoral. Anexo 3 PUBLICACIONES. A.3:1. BIBLIOGRAFÍA. B:1. IV. ÍNDICE.

(17) OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. -----------ÍNDICE DE FIGURAS. (Fig. Capítulo/Anexo.Apartado.Número). (Capítulo/Anexo:Página). Capítulo 2 Fig. 2.5.1 Número de neuronas en la entrada para la predicción de un paso por delante (Palit y Popovic, 2005)……………………………………………………………………………………………………… 2:68 Capítulo 3 Fig. 3.1.1 Planta piloto con un sistema solar térmico ……………….……………………………………………. 3:8 Fig. 3.1.2 Esquema de conexionado del sistema solar térmico de la planta piloto.……………….…3:9 Fig. 3.2.1 Ecuación característica del captador solar de la planta piloto resultado de los datos del ensayo en el día 4-7-2011: η = 0,64 − 5,4 �Te −İ Ta�……………………………………………………..3:13 Fig. 3.2.2 Sistema solar térmico con fluido portador líquido y el depósito mezclado (Duffie y Beckman, 2006)………………………………………………………………………………………………………. 3:18 Fig. 3.2.3 Las curvas-f para sistemas solares térmicos con fluido portador líquido y el depósito mezclado (Duffie y Beckman, 2006)…………………………………………………………. 3:19 Fig. 3.2.4 Resultados de la aplicación del método f-chart en distintas condiciones………………… 3:23 Fig. 3.4.1 Modelo de predicción de la irradiancia solar horaria sobre la horizontal para el día de mañana, a partir de la irradiación solar global diaria del día de hoy y el día del año sobre el que se realiza la predicción…………………………………………………………………. 3:26 Fig. 3.4.2 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor del día anterior…………………………………….. 3:27 Fig. 3.4.3 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de los dos días anteriores……………………… 3:27 Fig. 3.4.4 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de los tres días anteriores…………………….. 3:28 Fig. 3.4.5 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor del día anterior y el día del año…………….. 3:28 Fig. 3.4.6 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de los dos días anteriores y el día del año…………………………………………………………………………………………………………………………. 3:29 Fig. 3.4.7 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de los tres días anteriores y el día del año…………………………………………………………………………………………………………………………. 3:29 Fig. 3.4.8 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor del día anterior y el índice de claridad…………………………………………………………………………………………………………………… 3:30 Fig. 3.4.9 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor del día anterior, su índice de claridad y el día del año……………………………………………………………………………………………………………3:30. Francisco Javier Diez Morante. I.

(18) Tesis Doctoral. Fig. 3.4.10 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura media diaria del día anterior…………………………………………………………………………………………………………………… 3:32 Fig. 3.4.11 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura máxima y mínima diaria del día anterior……………………………………………………………………………………………… 3:32 Fig. 3.4.12 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura media, máxima y mínima diaria del día anterior…………………………………………………………………………………. 3:33 Fig. 3.4.13 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura media diaria y el día del año anterior………………………………………………………………………………………………………. 3:33 Fig. 3.4.14 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura máxima y mínima diaria y el día del año anterior………………………………………………………………………………… 3:34 Fig. 3.4.15 Red neuronal artificial utilizada para la predicción de la irradiación solar global diaria del día de mañana respecto al valor de la temperatura media, máxima y mínima diaria y el día del año anterior……………………………………………………………………. 3:34 Fig. 3.4.16 Red neuronal artificial para la predicción de las temperaturas media, máxima y mínima diaria del día de mañana respecto a los valores del día anterior………………… 3:36 Fig. 3.4.17 Red neuronal artificial para la predicción de las temperaturas media, máxima y mínima diaria del día de mañana respecto a los valores del día anterior y del día del año……………………………………………………………………………………………………………………. 3:36 Fig. 3.4.18 Red neuronal artificial utilizada para la estimación de la irradiancia solar horaria respecto a la irradiación solar global diaria del mismo día………………………………………. 3:38 Fig. 3.4.19 Red neuronal artificial utilizada para la estimación de la irradiancia solar horaria respecto a la irradiación solar global diaria y el día del año del mismo día……………… 3:38 Fig. 3.4.20 Red neuronal artificial utilizada para la estimación de la temperatura media horaria respecto a las temperaturas media, máxima y mínima diaria del mismo día. 3:40 Fig. 3.4.21 Red neuronal artificial utilizada para la estimación de la temperatura media horaria respecto a las temperaturas media, máxima y mínima diaria y el día del año del mismo día…………………………………………………………………………………………………… 3:41 Fig. 3.5.1 Módulo para la conversión de los valores medidos de irradiación global sobre una superficie horizontal a los calculados que recibe un plano inclinado………………………. 3:43 Fig. 3.6.1 Estructura de la red neuronal artificial diseñada para la predicción de la temperatura de ida del captador solar, respecto de la irradiancia solar incidente, la temperatura ambiente, la temperatura y caudal del fluido portador de retorno al captador solar…………………………………………………………………………………………………………. 3:49 Fig. 3.6.2 Estructura de la red neuronal artificial diseñada para la predicción de la temperatura de retorno al captador solar, respecto de las temperaturas de estratificación del depósito, la temperatura y caudal del fluido portador de ida del captador solar…………………………………………………………………………………………………………. 3:50 Fig. 3.6.3 Estructura de la red neural artificial diseñada para la predicción de las temperaturas de la estratificación del depósito, respecto a la temperatura de ida y el caudal del fluido portador en el circuito primario y las temperaturas de estratificación en el lapso de tiempo anterior…………………………………………………………. 3:52 Fig. 3.6.4 Estructura de la red neuronal artificial diseñada para la predicción de las temperaturas de la estratificación del depósito, respecto a la temperatura de ida y el caudal del fluido portador en el circuito primario, las temperaturas de estratificación, el caudal de agua caliente solar consumida y la temperatura del agua de red en el lapso de tiempo anterior…………………………………………………………….. 3:53 II. ÍNDICE DE FIGURAS.

(19) OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. Fig. 3.6.5 Fig. 3.6.6. Fig. 3.7.1 Fig. 3.7.2 Fig. 3.7.3 Fig. 3.7.4. Estructura de la red neural artificial diseñada para la predicción de las temperaturas de la estratificación del depósito, respecto a las temperaturas de estratificación en el lapso de tiempo anterior………………………………………….……………… 3:54 Estructura de la red neuronal artificial diseñada para la predicción de las temperaturas de la estratificación del depósito, respecto a las temperaturas de estratificación, el caudal de agua caliente solar consumida y la temperatura del agua de red en el lapso de tiempo anterior…………………………………………………………….. 3:55 Modelado de la planta piloto desarrollado en Simulink con los modelos de redes neuronales artificiales…………………..………………………………………………………………………… 3:57 Bloque consigna irradiancia solar…………………………………………….……………………………… 3:58 Bloque estado inicial, realimentación estratificación depósito…………………………………3:58 Módulo de predicción de la estratificación en el estado NOCHE, con una RNA entrenada para lapsos de tiempo de 10 minutos y realiza una interpolación del resultado a un lapso de tiempo de un minuto………………………………………………………….3:59. Capítulo 4 Fig. 4.1.1 Resultados del método f-chart aplicado a la planta piloto para un consumo de 75 l/d a 50 °C, con datos de irradiación solar y temperatura ambiente diarios medios mensuales de CENSOLAR y la base de datos SIAR en Mansilla Mayor (León) para cada año…………………………………………………………………………………………………………………. 4:3 Fig. 4.1.2 Datos del ensayo realizado al captador solar de la planta piloto el día 1-7-2011 y la 2 ecuación característica cuadrática: η = 0,71 − 6,4 �Tm −İ Ta� + 8,6 �Tm −İ Ta� …………………………. 4:5 Fig. 4.1.3.a Ecuación característica respecto a la temperatura de entrada al captador resultado del ensayo en el día 29-8-2011: η = 0,66 − 7,7 �Te −İ Ta�………………………………………………….. 4:5 Fig. 4.1.3.b Ecuación característica respecto a la temperatura media del captador resultado del ensayo en el día 29-8-2011: η = 0,69 − 7,8 �Tm −İ Ta�……………………………………………………….. 4:6 Fig. 4.1.3.c Ecuación característica respecto a la temperatura de salida del captador resultado del ensayo en el día 29-8-2011: η = 0,72 − 8,1 �Ts −İ Ta�………………………………………………….. 4:6 Fig. 4.1.4 Ensayos realizados con el captador solar de la planta piloto al variar el caudal en 1, a 1,6 y 2 l/min y ecuación característica del captador resultante: η = 0,46 − 2,6 �Te−T �…..4:10 İ Fig. 4.1.5.a Ecuación característica resultante de los ensayos realizados con la planta piloto a un caudal de 2 l/min: η = 0,61 − 4,2 �Te −İ Ta�………………………………………………………………….. 4:10 Fig. 4.1.5.b Ecuación característica resultante de los ensayos realizados con la planta piloto a un caudal de 1,6 l/min: η = 0,46 − 2,3 �Te −İ Ta�………………………………………………………………..4:11 Fig. 4.1.5.c Ecuación característica resultante de los ensayos realizados con la planta piloto a un caudal de 1 l/min: η = 0,29 − 1,8 �Te −İ Ta�………………………………………………………………….. 4:11 Fig. 4.1.6.a Ecuación característica del captador resultado del ensayo realizado con la planta piloto el día 4-7-2011 a un caudal de 2 l/min: η = 0,64 − 5,4 �Te −İ Ta�…………………………….. 4:12 Fig. 4.1.6.b Ecuación característica del captador resultado del ensayo realizado con la planta piloto el día 1-7-2011 a un caudal de 1,6 l/min: η = 0,5 − 3,5 �Te −İ Ta�…………………………….4:12 Fig. 4.1.6.c Ecuación característica del captador resultado del ensayo realizado con la planta piloto el día 21-9-2011 a un caudal de 1 l/min: η = 0,3 − 1,8 �Te −İ Ta�……………………………..4:13 Fig. 4.2.1 Datos de irradiación solar global diaria SIAR en Mansilla Mayor (León), valores recomendados para la provincia de León por CENSOLAR y el error producido…………4:15 Fig. 4.2.2 Datos de temperatura ambiente media diaria SIAR en Mansilla Mayor (León), valores recomendados para la provincia de León por CENSOLAR y el error producido……………………………………………………………………………………………………………….. 4:16 Fig. 4.2.3 Coeficientes de autocorrelación parcial de la serie de datos de irradiación solar global diaria para retardos de tiempo de 1 a 20 días, SIAR en Mansilla Mayor (León)……………………………………………………………………………………………………………………… 4:17 Francisco Javier Diez Morante. III.

(20) Tesis Doctoral. Fig. 4.2.4 Fig. 4.2.5 Fig. 4.2.6 Fig. 4.2.7 Fig. 4.2.8 Fig. 4.2.9 Fig. 4.2.10 Fig. 4.2.11 Fig. 4.2.12 Fig. 4.2.13 Fig. 4.2.14 Fig. 4.2.15 Fig. 4.2.16 Fig. 4.2.17 Fig. 4.2.18 Fig. 4.2.19 Fig. 4.2.20 Fig. 4.2.21. IV. Coeficientes de autocorrelación parcial de la serie de datos de temperatura media diaria para retardos de tiempo de 1 a 20 días, SIAR en Mansilla Mayor (León)……….. 4:18 Coeficientes de autocorrelación parcial de la serie de datos de temperatura máxima diaria para retardos de tiempo de 1 a 20 días, SIAR en Mansilla Mayor (León)……………………………………………………………………………………………………………………… 4:19 Coeficientes de autocorrelación parcial de la serie de datos de temperatura mínima diaria para retardos de tiempo de 1 a 20 días, SIAR en Mansilla Mayor (León)……………………………………………………………………………………………………………………… 4:20 Datos de la irradiación solar global del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 2 días de retardo y el error producido para cada día del año……………………………………… 4:22 Datos de la irradiación solar global del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 11 días de retardo y el error producido para cada día del año……………………………………… 4:22 RMSE del error producido por la media móvil ponderada de 2 a 20 días de retardo, en la predicción de la serie de los datos de la irradiación solar global diaria, para el año 2011 SIAR en Mansilla Mayor (León)………………………………………………………………… 4:23 Datos de la temperatura media diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 2 días de retardo y el error producido para cada día del año……………………………………… 4:24 Datos de la temperatura media diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 5 días de retardo y el error producido para cada día del año……………………………………… 4:24 Datos de la temperatura máxima diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 2 días de retardo y el error producido para cada día del año……………………………… 4:25 Datos de la temperatura máxima diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 5 días de retardo y el error producido para cada día del año……………………………… 4:25 Datos de la temperatura mínima diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 2 días de retardo y el error producido para cada día del año……………………………… 4:26 Datos de la temperatura mínima diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la media móvil ponderada de 5 días de retardo y el error producido para cada día del año……………………………… 4:26 RMSE del error producido por la media móvil ponderada de 2 a 20 días de retardo, en la predicción de la serie de los datos de las temperaturas media, máxima y mínima diaria, para el año 2011 SIAR en Mansilla Mayor (León)…………………………….. 4:27 Ecuación de la regresión lineal con un día de retardo, resultado de los datos de la irradiación solar global diaria de los años 2004-2010 SIAR en Mansilla Mayor (León)4:28 Datos de la irradiación solar global diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la regresión lineal de un día de retardo y el error producido para cada día del año……………………………………………..4:29 Ecuación de la regresión lineal con un día de retardo, resultado de los datos de la temperatura media diaria de los años 2004-2010 SIAR en Mansilla Mayor (León)….. 4:30 Datos de la temperatura media diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la regresión lineal de un día de retardo y el error producido para cada día del año…………………………………………………. 4:31 Datos de la irradiación solar global diaria del año 2004 al 2010 SIAR en Mansilla Mayor (León), función anual típica del primer armónico y error producido……………. 4:33. ÍNDICE DE FIGURAS.

(21) OPTIMIZACIÓN DEL RENDIMIENTO EN LOS SISTEMAS SOLARES TÉRMICOS MEDIANTE MODELOS NEURALES. Fig. 4.2.22 Datos de la irradiación solar global diaria del año 2011 SIAR en Mansilla Mayor (León), función anual típica del primer al octavo armónico y error producido para cada día del año……………………………………………………………………………………………………… 4:34 Fig. 4.2.23 Datos de la temperatura media diaria del año 2004 al 2010 SIAR en Mansilla Mayor (León), función anual típica del primer armónico y error producido……………………….. 4:36 Fig. 4.2.24 Datos de la temperatura media diaria del año 2011 SIAR en Mansilla Mayor (León), función anual típica del primer al octavo armónico y error producido para cada día del año……………………………………………………………………………………………………………………. 4:37 Fig. 4.2.25 Datos de la temperatura máxima diaria del año 2004 al 2010 SIAR en Mansilla Mayor (León), función anual típica del primer armónico y error producido……………. 4:39 Fig. 4.2.26 Datos de la temperatura máxima diaria del año 2011 SIAR en Mansilla Mayor (León), función anual típica del primer al octavo armónico y error producido para cada día del año……………………………………………………………………………………………………… 4:40 Fig. 4.2.27 Datos de la temperatura mínima diaria del año 2004 al 2010 SIAR en Mansilla Mayor (León), función anual típica del primer armónico y error producido……………. 4:42 Fig. 4.2.28 Datos de la temperatura mínima diaria del año 2011 SIAR en Mansilla Mayor (León), función anual típica del primer al octavo armónico y error producido para cada día del año……………………………………………………………………………………………………… 4:43 Fig. 4.2.29 Datos de la irradiación solar global diaria del año 2011 SIAR en Mansilla Mayor (León), valores resultado de la predicción realizada con la matriz de transición de Markov y el error producido para cada día del año…………………………………………………. 4:47 Fig. 4.2.30 Datos de la temperatura media horaria SIAR en Mansilla Mayor (León) y valor resultado de la estimación realizada con el método ASHRAE para los días 10, 11, 12, 13, 14, 15, 16-5-2011………………………………………………………………………………………… 4:48 Fig. 4.3.1 Modelado del captador solar según EN 12975, resultados obtenidos con los datos registrados cada minuto en los ensayos de la planta piloto y curva CENER a 800 W/m2 de irradiancia solar media…………………………………………………………………………….. 4:50 Fig. 4.3.2 Modelado del captador solar según EN 12975, resultados obtenidos con los datos registrados cada minuto en el ensayo de la planta piloto del día 1-7-2011 y curva CENER a 800 W/m2 de irradiancia solar media………………………………………………………… 4:50 Fig. 4.3.3 Modelado del captador solar según EN 12975, resultados obtenidos con los datos registrados cada minuto en el ensayo de la planta piloto del día 7-11-2011 y curva CENER a 800 W/m2 de irradiancia solar media………………………………………………………… 4:51 Fig. 4.3.4.a Modelado del captador con los datos registrados cada minuto en el ensayo de la planta piloto del día 7-9-2011 (Fig. A.2.4) con un caudal de 2 l/min, resultados obtenidos del balance energético y resultados de la ecuación CENER a 800 W/m2 de irradiancia solar media………………………………………………………………………………………. 4:53 Fig. 4.3.4.b Modelado del captador con los datos registrados cada minuto en el ensayo de la planta piloto del día 1-7-2011 (Fig. A.2.1) con un caudal de 1,6 l/min, resultados obtenidos del balance energético y resultados de la ecuación CENER a 800 W/m2 de irradiancia solar media………………………………………………………………………………………. 4:53 Fig. 4.3.4.c Modelado del captador con los datos registrados cada minuto en el ensayo de la planta piloto del día 21-9-2011 (Fig. A.2.5) con un caudal de 1 l/min, resultados obtenidos del balance energético y resultados de la ecuación CENER a 800 W/m2 de irradiancia solar media………………………………………………………………………………………. 4:54 Fig. 4.3.5.a Modelado del intercambiador con los datos registrados cada minuto en el ensayo de la planta piloto del día 7-9-2011 (Fig. A.2.4) con un caudal de 2 l/min……………….. 4:57 Fig. 4.3.5.b Eficiencia energética del intercambiador con los datos registrados cada minuto en el ensayo de la planta piloto del día 7-9-2011 (Fig. A.2.4) con un caudal de 2 l/min…4:57 Fig. 4.3.6.a Modelado del intercambiador con los datos registrados cada minuto en el ensayo de la planta piloto del día 1-7-2011 (Fig. A.2.1) con un caudal de 1,6 l/min…………….. 4:58 Francisco Javier Diez Morante. V.