Evaluación integrada, basada en datos e interacción, de sistemas híbridos fotovoltaicos-eólicos para el diseño de iluminación sostenible de parques urbanos

La creciente demanda de infraestructuras urbanas sostenibles requiere soluciones de iluminación fiables y eficientes desde el punto de vista energético, especialmente en los parques urbanos, que se caracterizan por patrones dinámicos de consumo energético.

Este estudio propone un marco analítico integrado que combina la modelización determinista de sistemas energéticos, una novedosa métrica orientada a la interacción y técnicas de aprendizaje automático para evaluar sistemas híbridos fotovoltaicos (FV) y eólicos destinados a la iluminación de parques urbanos. Se analizaron datos meteorológicos y de demanda de iluminación por horas, correspondientes a varios años, de los parques "Millet Gardens" de Balıkesir y Çanakkale, en Turquía. Se introdujo un Índice de Sinergia Energética Híbrida (HESI) para cuantificar el grado de contribución simultánea y coordinación entre los recursos fotovoltaicos y eólicos en relación con la demanda de alumbrado.

Los resultados muestran una variabilidad sustancial de la demanda, con una demanda diaria media de aproximadamente 1.609 kWh y valores máximos que superan los 25.600 kWh. La generación fotovoltaica predominó en la producción total de energía renovable (92,95 %), mientras que la energía eólica aportó un 7,05 %. El valor medio del HESI (≈0,113) indicaba una escasa coordinación entre las fuentes, acompañada de déficits energéticos persistentes que en ocasiones superaban los −20.000 kWh. El análisis de fiabilidad reveló una grave insuficiencia del sistema, con una tasa de fiabilidad de tan solo 0,000547 (0,055 %). Dentro del espacio de diseño evaluado, la configuración de mayor rendimiento consistió en 49 paneles fotovoltaicos y 19 aerogeneradores; sin embargo, las mejoras en la fiabilidad siguieron siendo limitadas, lo que indica que la ampliación de la capacidad por sí sola es insuficiente para garantizar un rendimiento satisfactorio. Los modelos de aprendizaje automático alcanzaron una alta precisión predictiva para la previsión del HESI (R² = 0,9902; MAE = 0,0027), mientras que la inteligencia artificial explicable identificó la radiación solar y la velocidad del viento como los factores ambientales dominantes.

Los resultados enfatizan la importancia de integrar la planificación de la capacidad de energía renovable con el apoyo del almacenamiento de energía, una mejor coordinación de las fuentes y estrategias adaptativas de gestión energética para mejorar la fiabilidad de los sistemas de alumbrado urbano sostenible.

Título Original:

"Integrated Data-Driven and Interaction-Based Evaluation of Hybrid PV–Wind Systems for Sustainable Urban Park Lighting Design"

Autor/es: