Sei sulla pagina 1di 62

FACULTAD DE INSTRUMENTACIÓN ELECTRÓNICA

“Modelos empíricos para la estimación


de la radiación solar difusa en Xalapa,
Veracruz.”
TESINA
QUE PARA EVALUAR LA EXPERIENCIA EDUCATIVA EXPERIENCIA
RECEPCIONAL (MEIF), DEL PROGRAMA EDUCATIVO DE LA
LICENCIATURA EN CIENCIAS ATMOSFÉRICAS

PRESENTA
JOSÉ ERNESTO LÓPEZ VELÁZQUEZ

DIRECTOR
DR. ADALBERTO TEJEDA MARTÍNEZ

CODIRECTOR
ING. RICARDO SALDAÑA FLORES

XALAPA-ENRíQUEZ, VER. 2013

1
Índice

1. Introducción ............................................... 3 5.4 Selección del polinomio en la correlación

1.1 Importancia del registro de radiación Kt - Kd ..................................................... 23

solar ........................................................... 4 5.5 Modelo para valores Kt y Kd diarios ..... 23

1.2 La modelación de la radiación solar........ 5 5.5.1 Modelo para valores diarios promedio

2. Antecedentes en la modelación de la mensual con otras variables ................... 24

radiación difusa ......................................... 8 5.6 Estadísticos para la evaluación de los

2.1 Antecedentes de la correlación Kt - Kd . 10 modelos .................................................. 31

3. Estación solarimétrica e instrumentos .... 11 6. Resultados .............................................. 32

3.1 Instrumentación ..................................... 11 6.1 MLiuJordan para valores horarios

3.1.1 Sensor de radiación solar global mensuales............................................... 32

horizontal ................................................. 12 6.2 MDivAutores para valores horarios

3.1.2 Aro de sombra .................................... 13 mensuales............................................... 36

4. Base de datos meteorológicos y de 6.3 Comparación de los MLiuJordan y

radiación solar ......................................... 15 MDivAutores horarios ............................. 40

4.1 Valores horarios y mensuales 6.4 Modelos para valores diarios ............... 41

acumulados ............................................. 15 6.4.1 Diarios acumulados mensuales ......... 41

4.2 Cálculo de los índices Kt y Kd ............... 17 6.4.2 Diarios acumulados trimestrales ....... 43

4.2.1 Procedimiento para eliminar registros 6.4.3 Diarios acumulados semestrales ....... 46

erróneos .................................................. 17 6.5 MDPMPrec............................................ 48

4.2.2 Tratamiento de datos Kt - Kd horarios y 6.6 MDPMax ............................................... 50

diarios ...................................................... 18 6.7 MDPMin ................................................ 52

5. Métodos ................................................... 21 7. Conclusiones y recomendaciones .......... 54

5.1 Modelo de Liu y Jordan ......................... 21 Anexo 1 Modelos empíricos ....................... 57

5.2 Diversos modelos de radiación difusa .. 21 Glosario....................................................... 55

5.3 Métodos utilizados ................................. 22 Nomenclatura.............................................. 56

5.3.1 Método para valores Kt y Kd horarios Referencias ................................................. 60

mensuales ............................................... 22

2
1. Introducción

La radiación solar es la fuente principal de energía para a vida en la Tierra y los procesos
atmosféricos. Para su aprovechamiento es necesario su cuantificación tanto para el diseño como
para la instalación de los sistemas de aprovechamiento de energía solar (Energía Solar CIE, 2005).

Un problema común en la realización de este cálculo es la falta de datos de radiación solar. La


radiación solar global es la mayormente registrada por estaciones climáticas en el país (Energía
Solar CIE, 2005), mas no así sus componentes, la radiación solar directa y difusa, la primera
denominada así por ser la que proviene linealmente del disco solar, mientras que la difusa por
provenir de otras direcciones debido a la reflexión y dispersión que producen a la radiación solar, la
atmosfera y las nubes (Hernández et al, 1991).

Dada la carencia de información por parte de las estaciones climáticas en el país (Energía Solar CIE,
2005), resulta necesaria la utilización de métodos alternativos para estimar las componentes de la
radiación global.

En la ciudad de Xalapa (19.33° N, 96.55° W, 1464 msnm) se encuentra instalada a cargo del
Programa de Estudios de Cambio Climático de la Universidad Veracruzana (PECCUV), la estación
solarimétrica del Instituto de Investigaciones Eléctricas (IIE), la cual cuenta con registros de radiación
solar global y difusa (además de otras variables climáticas) de un periodo superior a un año.

Basado principalmente en la investigación realizada por Liu y Jordan (1960) y la disponibilidad de los
registros de radiación de la estación solarimétrica para Xalapa, el objetivo del presente trabajo es
establecer modelos empíricos estadísticos que faciliten la estimación de la radiación solar difusa
cuando no estuviese disponible

Los modelos empíricos estadísticos generados para la estimación de la radiación solar difusa en
Xalapa, fueron agrupados como: modelos para la estimación de valores horarios, diarios y diarios
promedios mensuales; estos últimos en combinación con variables climáticas tales como la
temperatura y la precipitación, se muestran además la eficacia en la estimación de cada modelo en
base al error estándar de estimación (ESR) y el coeficiente de determinación (R2) para cada uno.
Este trabajo sugiere la metodología aplicada al tratamiento de datos de radiación y la generación de
los modelos, pero para poder ser utilizada en futuros trabajos se requiere un ajuste para cada
localidad diferente.

3
En esta tesina se realiza una revisión de los antecedentes sobre modelación de la radiación difusa
en los últimos 30 años y en base a esto genera una metodología para la eliminación de datos
erróneos de radiación y el cálculo de índices su agrupamiento para el establecimiento de
correlaciones; prosigue con la generación de diversos modelos para la estimación de la radiación
difusa a partir de la radiación global ajustados a la ciudad de Xalapa y concluyendo con la propuesta
de los mejores modelos generados, y la evaluación respectiva mediante los valores de R2 y ESR de
lo estimado contra lo registrado en la estación.

1.1 Importancia del registro de radiación solar


Los primeros estudios acerca de la irradiación solar en México son del siglo pasado, y fueron
realizados por el doctor alemán Ladislao Gorczyñsky en los años veinte, en las visitas que realizó al
país y como miembro del Servicio Meteorológico Mexicano (Hernández et al., 1991). Con el tiempo
las investigaciones sobre este recurso han aumentado.

El conocimiento de la cantidad de la radiación global y de sus componentes (la radiación difusa y


directa) es de fundamental importancia para estudiar, planear y diseñar sistemas de
aprovechamiento de energía solar (El- Sebaii et al., 2010). En muchas zonas del mundo, las
mediciones de radiación solar no se encuentran fácilmente disponibles, sumado esto a las
limitaciones financieras, técnicas e institucionales (Wu GF et al., 2007). En especial resulta difícil la
obtención de datos de radiación solar difusa y directa, pues son escasamente medidas (Ulgen K et
al., 2009).
Comúnmente la radiación solar registrada en las estaciones meteorológicas consiste en valores de
radiación global en el plano horizontal, sin contar con registros de los componentes de la radiación
global (radiación directa o la radiación difusa) los cuales son requeridos para diversos propósitos,
como el establecer balances energéticos útiles para el aprovechamiento de energía solar (Torres et
al., 2010).
El conocimiento de la disponibilidad de los recursos solares, es requerido usualmente por ingenieros,
arquitectos, agricultores e hidrólogos, en varios campos con diversas aplicaciones. Sin embargo la
escasez de su disponibilidad sugiere la búsqueda de métodos y procedimientos para su estimación.

4
Ejemplo de lo anterior es el Servicio Meteorológico Nacional, opera una red de 135 estaciones
automáticas (EMAS SMN, 2013), que miden la irradiación solar global con piranómetros estándar de
segunda clase. La red de estaciones tiene una cobertura amplia del territorio nacional, sin embargo
fue diseñada tomando en cuenta solamente criterios hidrológicos, dejando de lado otros que se
refieren a los usos del suelo, la orografía y los diferentes climas que existen en el territorio nacional.

1.2 La modelación de la radiación solar

La modelación de variables meteorológicas es usada extensivamente en la climatología, no


solamente como una alternativa para la medición, sino también para abordar o aprovechar el
entendimiento de los procesos físicos y además como una herramienta de la predicción de
fenómenos meteorológicos (Llasat y Snyder, 1998).

Según Linacre (2005), hay cuatro casos para los cuales es posible estimar los datos climáticos de un
lugar:

 Cuando se requieren datos de fechas anteriores en las cuales el dato no fue medido, o se
requieren datos a futuro.
 Es necesario estimar los valores, en lugares donde no existen equipos de medición.
 La estimación de un dato es útil para comprobar la veracidad de algunas mediciones
sospechosa.
 Por último, la posibilidad de obtener una estimación precisa y consistente, por medio de
variables independientes, demuestra una comprensión de la física del proceso en estudio.

Según Posadillo (2009), la caracterización del comportamiento de las instalaciones solares, requiere
el conocimiento de la energía incidente para su captura (radiación directa y difusa). La disponibilidad
de esta energía se modifica en base a su intensidad, distribución y dirección, ambas mediante los
días y años, factores que cuando son conocidos se convierten en posibilidades de desarrollo en
nuevos sistemas solares (Fig.1.1). Debido a los cortos periodos de mediciones de radiación difusa y
directa, se ha vuelto necesario proponer modelos que las calculen. Estos modelos pueden ser
divididos en dos grandes grupos:

5
1) Los modelos que hacen uso del conocimiento de ciertos elementos de la atmosfera, tales
como el contenido de ozono, vapor de agua, dióxido de carbono, dispersión de aerosoles y
partículas. Todos estos tienen en común una base: el conocimiento de la composición de la
atmósfera y la cuantificación de diferentes efectos sufridos por la radiación cuando esta
penetra las capas de la atmósfera (atenuación y dispersión).
2) Los modelos que usan mediciones de radiación global horizontal y sus correlaciones la
radiación difusa y directa. Para generar este tipo de modelos empíricos se debe contar con
datos registrados (series diarias u horarias de radiación global y difusa en el plano
horizontal).

Es en este último grupo en donde se ubica la base del desarrollo de los modelos propuestos en este
trabajo, ya que se cuenta con la disponibilidad de datos registrados de radiación solar para
establecer correlaciones.

El trabajo de Liu y Jordan (1960) para estimar la radiación difusa a partir de métodos empíricos,
estableció por primera vez la posibilidad de estimar la radiación difusa mediante la correlación de los
índices Kt (Rg/Rext) y Kd (Rdif/Rg) utilizando datos de radiación de diversas estaciones en los
Estados Unidos y Canadá; posteriormente Orgill y Hollands (1977) incluyó en un trabajo similar de
modelación empírica, el tratamiento de los datos y separación de los valores de los índices Kt y Kd
mediante condiciones de cobertura de nubosidad; de la metodología de los anteriores trabajos se
han derivado diversos modelos para estimar la radiación difusa en diversas localidades.

Fig.1.1 Ejemplo gráfico del efecto de la radiación solar recibida por los sistemas de aprovechamiento de
energía (OPEX Energy, 2010)

6
Por lo anteriormente mencionado, el desarrollo de modelos para estimar en distintas localidades la
radiación solar difusa (componente de la radiación solar global) y por diferencia la radiación directa,
resulta una opción útil y factible si se precisan estimar datos de radiación; haciendo uso de una
muestra de datos radiación global y difusa del lugar pertinente de donde se desea estimar.

Es necesario desarrollar métodos para estimar la radiación difusa solar a partir de otros datos
meteorológicos más fácilmente disponibles (Huashan Li, 2011); en el presente trabajo se utilizó una
base de datos de radiación solar y variables meteorológicas disponibles para la ciudad de Xalapa
(19.33° N, 96.55° W, 1464 msnm) y se elaboraron diversos “modelos empíricos” para estimar la
radiación difusa en la ciudad: mensuales, trimestrales, semestrales, diarios promedio mensuales en
base a la precipitación y diarios promedio mensuales en base a temperaturas máximas y mininas
diarias.

7
2. Antecedentes en la modelación de la radiación difusa

La radiación global puede ser dividida en dos componentes: (1) la radiación difusa, la cual resulta de
la dispersión a causa de los gases de la atmosfera terrestre, gotas de agua y partículas; y (2) la
radiación solar directa, la cual no ha sido dispersada. La radiación global es la suma algebraica de
estas dos componentes. Los valores de radiación difusa son primordiales para la investigación y las
aplicaciones ingenieriles.

Como se ha venido comentado en ocasiones la disponibilidad de datos de radiación difusa y directa


es mínima, y por lo regular solo llegan a encontrarse disponibles mediciones de la radiación global
(Zhoun Jin, 2004). Es por esto que la radiación difusa debe ser estimada a partir de correlaciones y
modelos cuando no ha sido registrada.

El primer modelo para estimar la radiación difusa a partir de correlaciones, fue establecido por Liu y
Jordan (1960). Relaciona la radiación solar global y difusa diaria, basándose en los datos registrados
de radiación obtenidos por 98 localidades en Estados Unidos y Canadá. Éstos mostraron que a
pesar de la latitud, la radiación global está directamente relacionada al índice de claridad Kt.

( )

(1.1)
Continuando con el trabajo de Liu y Jordan (1960), muchos investigadores han estudiado dichas
correlaciones para diferentes localidades; un ejemplo de estas investigaciones son Spitters et. al
(1986) quien encontró que los parámetros en las correlaciones determinados por regresiones
lineales haciendo uso de la radiación global y la radiación difusa en diferentes sitios, usualmente
muestran una notable similitud.

Otro ejemplo de los modelos desarrollados fue el de Orgill y Hollands (1977), quienes a partir de una
base de datos de radiación recolectada en Toronto Canadá establecieron un modelo lineal. Estos
modelos correlación dividen el estado del cielo en tres partes de acuerdo al índice de claridad (Kt).
Para el rango 0.35<Kt<0.75 la regresión obtenida es:
( ) (1.2)

8
Por otra parte Erbs et al (1982) usando una nueva base de datos obtenida de cinco estaciones
meteorológicas ubicadas en Estados Unidos, desarrollaron una regresión entre la radiación difusa
diaria y la radiación global diaria en el plano horizontal:

( )

(1.3)
Además, determinaron la dependencia de la radiación difusa en función de la estación del año y la
ubicación geográfica. Gopinathan (1988) propuso correlaciones empíricas para la estimación de la
radiación difusa basándose además del Kt en la fracción de horas de sol, y en base a una
combinación de estas estimar.

Reindl (1990) estimó la radiación difusa usando dos diferentes modelos desarrollados a partir de la
radiación extraterrestre y global medida en el plano horizontal, con una base de datos obtenida de
cinco localidades de Estados Unidos y Europa; el modelo fue dado por la siguiente ecuación:

( )

(1.4)
Es ampliamente reconocido que la determinación de la radiación difusa es un problema complejo,
pues ésta depende de la altitud del sol, del tamaño de partículas que la dispersen; de la cubierta
nubosa y del espesor de la columna de agua precipitable (Posadillo, 2009).

Singh J. et al. (2011) desarrollaron modelos semiempíricos para estimar la radiación difusa en base
a la transmisividad atmosférica; uno local y otro regional, caracterizados y ajustados para los
distintos climas de India, utilizando una base de datos de 21 años en cuatro estaciones que
representaban los principales climas de la región. Se encontró que los modelos regionales fueron los
que mejor estimaron a comparación de los locales y que para zonas orográficamente irregulares los
resultados fueron menos favorables.

Siguiendo la idea original de Liu y Jordan (1960), diferentes autores han propuesto numerosos
correlaciones empíricas, permitiendo una estimación de la radiación solar difusa (y por consiguiente
de la deducción del componente de radiación directa por diferencia). Estas correlaciones llamadas

9
también correlaciones Kt - Kd, muestran la dispersión de los valores de los índices Kd, cociente
entre la radiación difusa y la global en un plano horizontal, con el índice de claridad Kt, un cociente
entre la radiación global entre la radiación extraterrestre en un plano horizontal, a los cuales son
ajustados polinomios (que ajustan de mejor manera la dispersión de los valores de los índices) con
el propósitos de obtener una ecuación de la cual sea posible despejar la variable de radiación difusa
(implícita en el índice Kd) para poder estimarla.
Sin embargo aun con los modelos ya establecidos por los autores anteriormente mencionados, la
adecuación de estos modelos a diferentes latitudes resulta un ejercicio necesario para mejorar las
estimaciones. Considerando estas dificultades, y en vista de la escasa disponibilidad de datos, los
modelos para el cálculo de radiación difusa desarrollados o adecuados en otros sitios, son útiles
para muchos propósitos prácticos de estimación de la radiación solar.

2.1 Antecedentes de la correlación Kt - Kd


Unas de las principales primeras contribuciones a este tópico después del trabajo de Liu y Jordan
(1960) fueron hechas por Orgill y Hollands (1977) y Erbs et al (1982). Ambos grupos de autores
correlacionaron Kd y Kt mediante polinomios, los cuales fueron desde primer grado en el caso de
Orgill al cuarto grado en el caso de Erbs.
Posteriormente la influencia de las variables climáticas en el índice de fracción difusa Kd fue
ampliamente estudiada por Reindl et al (1990). Con datos de estaciones europeas y estadunidenses,
lograron reducir el error introducido por Liu y Jordan (1960) en las correlaciones, usando 28
variables potenciales y encontrando un nivel de significancia en solo cuatro de estos: índice de
claridad (Kt), altitud solar, temperatura ambiente y humedad relativa. El resultado de las
correlaciones fue definido por tres rangos del Kt, con el propósito de acomodar la aparente no
linealidad de la distribución.

El presente trabajo basa principalmente su metodología de análisis y tratamiento de los datos de


radiación y establecimiento de correlaciones entre los índices Kt y Kd en los realizado por Liu y
Jordan (1960) y diversos autores como Orgill y Hollands (1977), Erbs (1982) y Duffie (1990) que
posteriormente al trabajo de Liu y Jordan mejoraron los métodos, filtros y manejo de los datos.

10
3. Estación solarimétrica e instrumentos

La estación solarimétrica fue instalada por encargo del Laboratorio Nacional para la Evaluación de
Recursos Energéticos Renovables en México (LERM) y financiamiento del Conacyt en la ciudad de
Xalapa, Veracruz en marzo del 2011 dentro de las instalaciones del Laboratorio de Alta Tecnología
de Xalapa, S. C. (LATEX; 19.33° N, 96.55° W, 1464 msnm) y actualmente se encuentra bajo el
cuidado del Programa de Estudio sobre Cambio Climático de la Universidad Veracruzana
(PECCUV).

La estación LATEX Xalapa funciona con un adquisitor de datos Campbell CR1000-7000303 y


cuenta con instrumentos para medir radiación, temperatura y viento. Obtiene mediciones cada 10
minutos (promedios de muestras de cada 2 segundos). Además de la estación solarimétrica se
encuentra instalada contiguamente una estación meteorológica automática Davis Advantage Pro2,
de la cual se obtuvo también una base de datos de precipitación diaria acumulada, temperaturas
máximas y mínimas, para la elaboración de las diversas correlaciones con los dato de radiación.

Su ubicación en la azotea del Laboratorio de Alta Tecnología de Xalapa, S. C. (LATEX), responde


por su condición de seguridad y libre de obstáculos como un lugar propicio para la medición de
radiación solar.

3.1 Instrumentación

La estación solarimétrica LATEX fue instalada en Xalapa con el propósito de conformar una base de
datos de radiación solar directa difusa y global en la ciudad (LATEX conforma una red de diversas
estaciones solarimétricas instaladas en el país, supervisadas por el LERM). Gracias al acceso a los
datos y al directo manejo y revisión de éstos, fue posible utilizar una base anual de los valores de
radiación solar global y difusa correspondientes al periodo junio 2011 – junio 2012.

Como ya se mencionó, las mediciones fueron tomadas en el laboratorio LATEX, sobre una superficie
plana y libre de obstáculos, a una altura aproximada de 10 metros sobre el suelo (sobre una azotea).

Como principales instrumentos en la estación solarimétrica se consideraron a dos piranómetros


Kipp & Zonen modelo CMP11, uno registrando valores de radiación solar global y otro valores de

11
radiación difusa junto a un aro de sombra adicional. El piranómetro con aro de sombra requiere una
orientación semanal para corregir el sombreado del aro en el piranómetro; la orientación es realizada
mediante el desplazamiento de la barra sombreadora, con respecto a la a la declinación solar (Kipp
& Zonen).

3.1.1 Sensor de radiación solar global horizontal

La radiación solar global es una de las magnitudes que más se han utilizado en este trabajo, por lo
que a continuación se explica el procedimiento seguido para su medición.

Para la obtención de mediciones de radiación solar global, Rg, la estación solarimétrica LATEX
dispone de un sensor Kipp & Zonen, modelo CMP-11. Este sensor es un piranómetro de termopila
que según la normativa ISO-9060 (ISO-9060 Standard, 2012) cumple todas las especificaciones
para ser considerado un sensor de “primera clase”, y que ofrece una alta precisión en las medidas
de radiación solar. El piranómetro CMP-11 es adecuado para la medición rutinaria de la radiación
solar global (registrando en un rango espectral de 300 a 2,800 μm). Algunas de sus propiedades
son: una respuesta angular próxima a la ideal, buena linealidad y una buena estabilidad durante
largos periodos de uso (Kipp & Zonen, 2012).

La energía radiante que llega hasta el sensor es absorbida por un disco pintado de negro. El calor
generado fluye a través de una resistencia térmica hasta el fondo del piranómetro, la diferencia de
temperaturas entre el disco cerámico y el fondo del piranómetro es transformada en una diferencia
de potencial, la cual es la señal (diferencial) de salida del sensor. Se puede observar un detallado
esquema de los componentes físicos del sensor CMP-11 en la Fig. 3.1.

Fig.3.1 Esquema detallado de las partes principales de piranómetro CMP-11 (Kipp & Zonen, 2012).

12
El piranómetro está protegido por dos hemisferios concéntricos para evitar los cambios de
temperatura debidos al viento, lluvia y pérdidas de temperatura por intercambio de calor con la
atmósfera. La transmitancia de estas esferas limita el rango espectral del sensor. El sensor lleva
incorporado una pantalla blanca metálica para evitar su calentamiento y un desecante para evitar las
condensaciones que pudieran producirse en el interior de las cúpulas errando las mediciones o
incluso dañando el detector (Kipp & Zonen, 2012).

3.1.2 Aro de sombra

El aro de sombra CM-121 de Kipp & Zonen está diseñado para que en conjunto con los
piranómetros CMP11 resulte un útil elemento para medir la radiación solar difusa. Naturalmente la
combinación del aro de sombra aunado a las mediciones de radiación global realizadas con el
piranómetro, proporcionara la medida de la radiación difusa, siempre y cuando dicho aro de sombra
reciba el desplazamiento (orientación) con respecto a la declinación solar diaria que corresponde, y
el piranómetro se mantenga sombreado en todo momento (fig.3.2).

Fig.3.2 Esquema grafico del mecanismo de las barras que desplazan al aro para mantener sombreado el
piranómetro (Kipp & Zonen, 2012).

El mecanismo de orientación del aro de sombra está constituido principalmente por dos barras por
donde este se desplaza bajo una escala; la escala está en función del valor de la declinación solar
correspondiente diaria.

13
Características generales de los instrumentos en LATEX
Tabla 3.1 Descripción de las características principales de los instrumentos instalados en la estación LATEX,
Xalapa.

14
4. Base de datos meteorológicos y de radiación solar

Los datos de radiación solar utilizados en este trabajo provienen de la base de datos de la estación
solarimétrica LATEX, la cual está conformado con información para el periodo junio 2011- junio 2012
y contiene mediciones de radiación solar difusa y global en registros de cada 10 minutos. Las
variables de temperatura mínima (Tmin), temperatura máxima (Tmax) y precipitación (Prec)
utilizadas en este trabajo fueron obtenidas de la base de datos perteneciente a la estación
meteorológica automática Davis Advantage-Pro de LATEX, dicha base conformada también para el
mismo periodo de información que la base de datos de radiación.

4.1 Valores horarios y mensuales acumulados

Los datos de radiación, precipitación y temperatura utilizados en las correlaciones establecidas para
los índices de Kt y Kd fueron manejados de dos maneras:

a) Datos horarios: Se utilizaron los registrados cada 10 minutos por las estaciones
correspondientes.

b) Datos diarios: Los datos registrados cada 10 minutos fueron tratados según el caso; con el
propósito de obtener el valor acumulado diario a partir de estos.

- Precipitación diaria: La precipitación diaria acumulada fue obtenida mediante la suma de


los valores horarios registrados durante el día (00:00 am – 23:59 pm).

- Temperatura mínima diaria: obtención del valor menor registrado de entre los valores
durante el día (00:00 am – 23:59 pm).

-Temperatura máxima diaria: obtención del valor mayor registrado de entre los valores
durante el día (00:00 am – 23:59 pm).

15
-Radiación global, difusa y extraterrestre fueron obtenidas primeramente mediante la
conversión de estas de Watts/m² → Joule/seg /m2. Cuando se integra el valor de la
radiación instantánea a través del tiempo, se expresa la cantidad de energía acumulada en
determinado periodo. Normalmente se hace en minutos, horas o en un día completo,
dependiendo del lapso de tiempo en el que el valor promedio en Watts/m² fue registrado.
Así por ejemplo, un valor de radiación global de 1W/m2 durante un segundo, es igual a 1
J/seg/m2. Si multiplicamos esto por la cantidad de segundos que tienen 10 minutos (periodo
de registros de la estación LATEX), es decir 600 segundos, se obtiene la radiación
acumulada en ese periodo. 1000 Joules equivalen a 1 KiloJoule, y para cuestiones prácticas
en la comparación de resultados, los valores fueron mostrados en dichas unidades.

1 Joule = Watt . seg

1 Watt = Joule . seg-1

Watt . m-2 = Joule . seg-1 . m-2

Joule . m-2 = Watt . seg . m-2

Para el caso de valores de radiación registrada cada 10 minutos; utilizando el valor de 600
segundos.

10 min = 600 seg

Joule . m-2 . 10 min-1= Watt . 600 seg . m-2 → Joule/m² (por periodo de 10 minutos)

1 KJ= 103 Joule

Después de obtener la cantidad de energía acumulada (en las mediciones cada 10 minutos)
y realizar la correspondiente conversión de unidades, los valores durante el día (00:10 am –
00:00 am) fueron sumados para obtener el valor acumulado diario de radiación.

16
4.2 Cálculo de los índices Kt y Kd

Para la conformación de la base de datos a utilizar para el presente trabajo, además de su


ordenación cronológica fue necesario el cálculo de los índices Kt y Kd; Kt mediante la división de los
valores horarios de la Rext, calculada mediante la ecuación de la radiación extraterrestre propuesta
por Hernández et al. (1995).

[ ( ) ( ( ) ( ) ( ) ( )]

Donde (4.1)
Io= constante solar (1367 w/m2)

Dj= día juliano

L= latitudº

Dsol= declinación solarº

Whor= ángulo horarioº

Kd es calculado mediante el cociente de la radiación solar difusa entre la radiación solar.

Es importante hacer notar que no todos los índices mostraron valores comprendidos entre 0 y 1
como se esperaba. Dada esta situación fue necesario aplicar un filtro (tratamiento) a los datos con el
propósito de reducir a la menor cantidad posible el número de datos Kt y Kd erróneos a utilizar en las
correlaciones y el error en el ajuste de polinomios en estas.

4.2.1 Procedimiento para eliminar registros erróneos

Los datos utilizados en este trabajo fueron tomados directamente de la base generada por los
instrumentos de radiación solar y meteorológica en el periodo estudiado con valores registrados
cada 10 minutos. La base de datos de radiación se constituyó de un aproximado del 95% de los
posibles registros para el periodo junio 2011 – junio 2012, dado que el 5% faltante se perdió por
fallas en la energía eléctrica y errores en el cambio o mantenimiento de los instrumentos. Con el
propósito de reducir errores y erradicar datos dudosos o físicamente no posibles, se sometió a la
base de datos original a un filtro (tratamiento) de los datos de radiación solar difusa y global.

17
4.2.2 Tratamiento de datos Kt - Kd horarios y diarios

Se establecieron diversos filtros para la eliminación de datos erróneos (datos que podrían no
favorecer el ejercicio de establecer correlaciones entre los índices de radiación Kt y Kd), los cuales
se basan principalmente en las siguientes condiciones:

1) Si valores de radiación difusa o global no están registrados


2) Si valores de radiación difusa o global son negativos
3) Si Kt<0
4) Si Kd<0
5) Si Kt>1
6) Si Kd>1

Si algún valor de la base cumple por lo menos con una de las condiciones mencionadas, deberá ser
eliminada toda la fila correspondiente al horario de la medición y descartar el registro.

Además de tomar en cuenta estas reglas básicas para la eliminación de posibles errores se
adaptaron algunos de los criterios propuestos por Orgill y Hollands (1977) y Chickh y Mahrane
(2012) para eliminar casos extremos (Kt o Kd cercanos a 1) que bajan sensiblemente los valores de
las correlaciones.

Caso 1: corresponde a los límites del Kd bajo condiciones nubladas. Si un dato muestra un valor de
Kd menor que 0.8 y para el índice Kt menor que 0.2 este dato es eliminado.

Caso 2: corresponde a los límites del Kd bajo condiciones despejadas. Si un dato muestra un valor
de Kd mayor que 0.7 y para el índice Kt mayor que 0.6 este dato es eliminado.

18
Fig.4.1 Valores de Kt y Kd señalando gráficamente los casos 1 (si Kd < 0.8 y Kt < 0.2) y caso 2 (si Kd > 0.7
y Kt > 0.6) como posibles datos a eliminar.

Este filtro aplicado a los valores de los índices, favorece la eliminación de datos falsos, y por
consiguiente reduce su impacto negativo en las correlaciones a establecer (fig.4.1). Es importante
mencionar que las correlaciones establecidas con datos cada 10 minutos (horarios) y los datos
diarios acumulados (diarios) se definieron con distintos límites en la consideración de valores Kt y Kd
a eliminar para los casos “condiciones despejadas” y “condiciones nubladas”. Dichos límites en los
valores diarios acumulados son mencionados a continuación.

Caso 1 corresponde a los límites del Kd bajo condiciones nubladas. Si un dato muestra un valor de
Kd menor que 0.9 y para el índice Kt menor que 0.2 este dato es eliminado.

Caso 2 corresponde a los límites del Kd bajo condiciones nubladas. Si un dato muestra un valor de
Kd menor que 0.5 y para el índice Kt menor que 0.5 este dato es eliminado.

19
Fig.4.2 Valores de Kt y Kd señalando gráficamente los casos 1 (si Kd < 0.9 y Kt < 0.2) y caso 2 (si Kd > 0.5
y Kt > 0.5) como posibles datos a eliminar.

20
5. Métodos

En el presente capitulo se describe la metodología en que se basa el tratamiento de los índices Kt y


Kd utilizados en la búsqueda de correlaciones. Una de esta basada en el trabajo realizado por Liu y
Jordan (1960) y la otra en diversos trabajos para la modelación empírica de la radiación difusa a
partir de 1970 al 2012. Así también los parámetros estadísticos considerados para determinar
“mejor” un modelo a comparación de otros.

5.1 Modelo de Liu y Jordan

Como ya se ha dicho, Liu y Jordan (1960) fueron los pioneros en buscar relaciones entre la radiación
difusa y la radiación global. Concretamente obtuvieron una correlación entre el índice diario de
irradiación solar difusa Kd, cociente entre la irradiación difusa diaria sobre plano horizontal (Rdif) y la
irradiación extraterrestre diaria sobre plano horizontal Rext, Kd=Rdif/Rext, y el índice diario de
irradiación solar global Kt, llamado también índice de claridad, cociente entre la radiación global
diaria sobre plano horizontal Rg y la irradiación extraterrestre diaria sobre plano horizontal Rext,
Kt=Rg/Rext.

5.2 Diversos modelos de radiación difusa

Trabajos posteriores estudiaron el mismo tipo de correlaciones para valores diarios, horarios o
minutarios: Orgill y Hollands (1977), Collares-Pereira y Rabl (1979), Erbs et al. (1983), Reindl et al.
(1990). Vázquez et al. (1991) dan una explicación de carácter físico de estas correlaciones que
permite entender sus características básicas. En base a la revisión bibliográfica realizada se puede
generalizar que los anteriores modelos nacieron a partir del trabajo de Liu y Jordan(1960), sin
embargo tratando de incluir en los modelos a realizar diversas formas de clasificación de los datos,
así como la inserción de nuevas variables en la correlación entre estas y los índices Kt y Kd.
Además de la inclusión de una nueva serie de consideraciones, categorizaciones y tratamientos
datos erróneos o falsos (Kt y Kd) tal y como estableció Chickh y Mahrane (2012).

21
5.3 Métodos utilizados

El presente trabajo utilizó principalmente dos metodologías en el tratamiento y establecimiento de


correlaciones con los índices.

a) Modelo basados en el método Liu y Jordan (MLiuJordan): descartan únicamente los valores
distintos a 0<Kt<1 y 0<Kd<1. (véase pág. 17). Posteriormente se establecen correlaciones
con los índices Kt y Kd mensualmente.

b) Modelo basado en el método de diversos autores (MDivAutores): descartan los valores


distintos a 0<Kt<1 y 0<Kd<1, y se añade el filtro de Caso 1: condiciones despejadas y Caso
2: condiciones nubladas (véase pág. 18). Posteriormente se establecen correlaciones con
los índices Kt y Kd mensualmente.

5.3.1 Método para valores Kt y Kd horarios mensuales

Únicamente en el caso de datos horarios mensuales se utilizaron los métodos de depuración


MLiuJordan y MDivAutores para los índices Kt y Kd con propósitos de una comparación entre ambos
métodos. Posteriormente los modelos de valores diarios fueron basados solamente en el método
MDivAutores.

22
5.4 Selección del polinomio en la correlación Kt - Kd

Después de realizar el tratamiento de los datos (MLiuJordan o MDivAutores), se ajustaron a las


correlaciones Kt y Kd distintos polinomios (desde 2nd orden hasta 5to). Posteriormente se
seleccionó un solo polinomio por mes para estimar la radiación difusa (en base al mayor valor de R2

en las correlaciones). Finalmente se seleccionaron polinomios de diferente orden (desde 2nd orden
hasta 5to) por mes. Este procedimiento fue usado para las estimaciones horarias mensuales;
mientras que usando solamente el tratamiento de datos de MDivAutores se establecieron los
modelos diarios acumulados mensuales, diarios acumulados trimestrales, diarios acumulados
semestrales, diarios promedios mensuales con precipitación MDPMPrec, temperaturas máximas
MDPMax y mínimas MDPMin.

5.5 Modelo para valores Kt y Kd diarios

Utilizando el MDivAutores se descartaron los valores distintos a 0<Kt<1 y 0<Kd<1, y se añadió el


filtro de Caso 1: condiciones despejadas y Caso 2: condiciones nubladas (véase pág. 19).

- Diarios acumulados mensuales: Mediante la agrupación de valores Kt y Kd diarios por


mes; obteniendo doce polinomios para estimar la radiación difusa diaria (según el mes a
estimar).

- Diarios acumulados trimestrales: Mediante la agrupación de valores Kt y Kd diarios por


trimestres, obteniendo cuatro polinomios para estimar la radiación difusa diaria.

- Diarios acumulados semestrales: Mediante la agrupación de valores Kt y Kd diarios por


semestre, obteniendo dos polinomios para estimar la radiación difusa diaria .

23
5.5.1 Modelo para valores diarios promedio mensual con otras variables

Utilizando el MDivAutores se descartaron los valores distintos a 0<Kt<1 y 0<Kd<1, y se añadió el


filtro de Caso 1: condiciones despejadas y Caso 2: condiciones nubladas (véase pag 19).

MDPMPrec: realizado mediante la categorización de valores Kt y Kd diarios según tres intervalos de


valores de precipitación diaria por mes. Los intervalos para la precipitación diaria cumulada fueron
establecidos de la siguiente manera:

a) Se obtuvieron los valores diarios acumulados de precipitación para el periodo estudiado.


b) Se elaboró en base a los datos de precipitación obtenidos un histograma para ver la
frecuencia de los datos Fig.5.1; de la cual se determinó gráficamente que podía ser dividida
en tres intervalos (en los cuales se concentraba la mayor frecuencia de los datos) y que
podían también ejemplificar los casos de lluvia nula, moderada e intensa.

Los intervalos fueron:

Intervalo para precipitación de 0 mm

Intervalo para precipitación > 0 mm y < 10 mm

Intervalo para precipitación >10 mm

24
Fig. 5.1 Histograma de los valores de precipitación en LATEX.

c) Una vez establecidos los intervalos se procedió a clasificar cada valor diario de radiación, de
acuerdo con el dato de precipitación correspondiente; agrupando 3 conjuntos, uno por cada
intervalo; clasificando los casos de radiación en días con precipitación nula, moderada e
intensa.
d) Se calcularon los valores de los índices Kt y Kd para cada intervalo y se ajusto a cada uno
una polinomio de gradon (el polinomio se seleccionó en base al valor de R2 que mostraba en
el ajuste).
e) Una vez establecido un polinomio para estimar en cada intervalo se estableció la forma
general de la siguiente ecuación:

( ) ( ) ( )
[ ]

(5.1)

Rdif= Radiación difusa diaria

Rg= Radiación global


25
n= número total de días del mes

n0 = número de días con precipitación igual a 0 mm al mes

n1 = número de días con precipitación > 0 mm y < 10 mm al mes

n10 = número de días con precipitación >10 mm al mes

P/a= polinomio para precipitación 0 mm

P/b= polinomio para precipitación > 0 mm y < 10 mm

P/c= polinomio para precipitación >10 mm

En donde n0, n1 y n10 fueron estimados mensualmente con datos climáticos del periodo
1982 – 2010 del CliCom para Xalapa. Con los datos del Clicom, mensualmente se estimó la
cantidad de días de precipitación correspondiente a cada intervalo, y haciendo un promedio
del número de días al mes para el periodo, se determinaron los días típicos mensuales de
precipitación para cada intervalo en la ciudad de Xalapa.

MDPMax: se realizó mediante la categorización de valores Kt y Kd diarios según tres intervalos de


valores de temperatura máxima diaria por mes

Los intervalos para la temperatura máxima diaria fueron establecidos de la siguiente manera:

a) Se obtuvieron los valores diarios máximos de temperatura para el periodo estudiado en


Xalapa.
b) Se elaboró en base a los datos de temperatura máximos un histograma para ver la
frecuencia de los datos Fig.5.2; de la cual se determinó gráficamente que podía ser dividida
en tres intervalos (en los cuales se concentraba la mayor frecuencia de los datos) y que
podían también ejemplificar los días con temperaturas máximas en tres intervalos distintos
(bajos, medios y altos).

26
Los intervalos fueron:

Intervalo para Tmax < 20 °C

Intervalo para 20 °C < Tmax < 26 °C

Intervalo para Tmax > 26 °C

Fig. 5.2 Histograma de los valores de temperatura máxima en LATEX.

c) Una vez establecidos los intervalos se procedió a clasificar cada dato diario de radiación, de
acuerdo con el dato de temperatura máxima correspondiente; agrupando 3 conjuntos, uno
por cada intervalo; clasificando los valores de radiación en días con temperaturas máximas
bajas, medias y altas.
d) Se calcularon los valores de los índices Kt y Kd para cada intervalo y se ajustó a cada uno
una polinomio de gradon (el polinomio se seleccionó en base al valor de R2 que mostraba en
el ajuste).
e) Una vez establecido un polinomio para estimar en cada intervalo se propuso la forma
general de estimación del valor diario promedio mensual con datos de Tmax con la
siguiente ecuación:

( ) ( ) ( )
[ ]

(5.2)

27
Rdif= Radiación difusa diaria

Rg= Radiación global

n= número total de días del mes

nmax1 = número de días con Tmax < 20 °C al mes

nmax2 = número de días con 20 °C <Tmax < 26 °C al mes

nmax3 = número de días con Tmax > 26 °C al mes

Tmax/a= polinomio para intervalo Tmax < 20 °C

Tmax/b= polinomio para intervalo 20 °C <Tmax < 26 °C

Tmax/c= polinomio para intervalo Tmax > 26 °C

En donde nmax1, nmax2 y nmax3 fueron estimados mensualmente con datos climáticos del
periodo 1982 – 2010 del CliCom para Xalapa. Con los datos de la base Clicom,
mensualmente se estimó la cantidad de días con temperatura máxima correspondiente a
cada intervalo, y haciendo un promedio del número de días al mes para el periodo, se
determinaron los días típicos mensuales de temperatura máxima para cada intervalo en la
ciudad de Xalapa.

MDPMin: Mediante la categorización de valores Kt y Kd diarios según tres intervalos de valores de


temperatura mínima diaria por mes

Los intervalos para la temperatura mínima diaria fueron establecidos de la siguiente manera:

a) Se obtuvieron los valores diarios mínimos de temperatura para el periodo estudiado en


Xalapa.
b) Se elaboró en base a los datos de temperatura mínimos un histograma para ver la
frecuencia de los datos Fig.5.3; de la cual se determinó gráficamente que podía ser dividida
en tres intervalos (en los cuales se concentraba la mayor frecuencia de los datos) y que
podían también ejemplificar los días con temperaturas mínimas en tres intervalos distintos
(bajos, medios y altos).

28
Los intervalos fueron:

Intervalo para Tmin < 12 °C

Intervalo para 12 °C < Tmin < 17 °C

Intervalo para Tmin > 17 °C

Fig 5.3 Histograma de los valores de temperatura máxima en LATEX.

c) Una vez establecidos los intervalos se procedió a clasificar cada dato diario de radiación, de
acuerdo con el dato de temperatura mínima correspondiente; agrupando 3 conjuntos, uno
por cada intervalo; clasificando los valores de radiación en días con temperaturas mínimas
bajas, medias y altas.
d) Se calcularon los valores de los índices Kt y Kd para cada intervalo y se ajustó a cada uno
una polinomio de gradon (el polinomio se seleccionó en base al valor de R2 que mostraba en
el ajuste).

29
e) Una vez establecido un polinomio para estimar en cada intervalo se propuso la forma
general de estimación del valor diario promedio mensual con datos de Tmin con la siguiente
ecuación:

( ) ( ) ( )
[ ]

(5.3)

Rdif= Radiación difusa diaria

Rg= Radiación global

n= número total de días del mes

n min1 = número de días con Tmin < 12 °C al mes

n min2 = número de días con 12 °C < Tmin < 17 °C al mes

n min3 = número de días con Tmin > 17 °C al mes

Tmin/a= polinomio para intervalo Tmin < 12 °C

Tmin/b= polinomio para intervalo 12 °C < Tmin < 17 °C

Tmin/c= polinomio para intervalo Tmin > 17 °C

En donde nmin1, nmin2 y nmin3 fueron estimados mensualmente con datos climáticos del
periodo 1982 – 2010 del CliCom para Xalapa. Con los datos de la base Clicom,
mensualmente se estimó la cantidad de días con temperatura mínima correspondiente a
cada intervalo, y haciendo un promedio del número de días al mes para el periodo, se
determinaron los días típicos mensuales de temperatura mínima para cada intervalo en la
ciudad de Xalapa.

30
5.6 Estadísticos para la evaluación de los modelos

Los modelos anteriormente mencionados, fueron evaluados mediante el cálculo del ESR y R2 en
cada uno, comparando lo estimado por el modelo contra lo observado.

El coeficiente de determinación R2 es usado como una prueba determinar la relación lineal entre los
valores obtenidos y los calculados; es un valor adimensional. R2 fue calculado mediante el software
STATISTICA Versión 7.0, basándose en la ecuación:

∑ ( ) ( )

√[∑ ( ) ] [∑ ( ) ]

(5.4)

En donde ma representa los valores observados promedio, mi valores observados, ea valores


estimados promedio y ei valores estimados (Haydar A., et al, 2006).

El error estándar de estimación ESR sirve como un referente del funcionamiento del modelo en
cuanto al error que estima, utilizando los valores estimados contra los observados; el ESR se calculó
manualmente mediante la siguiente ecuación:

√ ∑( )

(5.5)

En donde mi representa valores observados y ei valores estimados. En general se determinó que los
modelos que presentaron los mayores valores de R2 y menores de ESR fueron los que mejor
estimaron la radiación difusa (Haydar A., et al, 2006).

31
6. Resultados

En base a los valores de los índices Kt y Kd se obtuvieron distintas correlaciones. A continuación se


muestran los resultados y parte del procedimiento para seleccionar la mejor ecuación para estimar
la radiación difusa en base a los valores de ESR y R2 (Ver anexo1).

6.1 MLiuJordan para valores horarios mensuales

Este modelo descartó valores de los índices Kt y Kd según el procedimiento MLiuJordan y los
agrupó mensualmente (Fig. 6.1), se ajustó a cada conjunto de puntos un polinomio del grado n y se
determinó una ecuación para la estimación de la radiación difusa, comparando además los meses
entre sí (periodo julio 2011 – junio 2012) en base a los valores de R2 y ESR entre lo estimado con el
polinomio por mes y lo registrado en la base de datos (Tabla 6.1).

Fig.6.1 Correlaciones Kt, Kd mensuales para el periodo julio 2011- junio 2012. La línea solida describe
2
gráficamente el polinomio ajustado a la dispersión de los puntos; de igual manera el valor de R en cada
ajuste.

32
2
Tabla 6.1 Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados contra los
observados.

MLiuJordan
R² (Est vs Obs) ESR W/m2
+
enero = ( 0 *kt5 0 *kt4 +
0.7832 *kt³ + 2.5326 *kt²- 13.971 *kt + 13.546 ) *Rg 0.54 65.46
+
febrero = ( 0 *kt5 0 *kt4 +
0.7939 *kt³ + 2.1688 *kt²- 9.0991 *kt + 6.6078 ) *Rg 0.55 94.41
+
marzo = ( 0 *kt5 0 *kt4 +
0.8027 *kt³ + 2.0546 *kt²- 8.4427 *kt + 6.7569 ) *Rg 0.57 131.01
+
abril = ( 0 *kt5 0 *kt4 +
0.8712 *kt³ + 0.4569 *kt²- 2.5055 *kt + 1.6107 ) *Rg 0.43 172.72
+
mayo = ( 0 *kt5 0 *kt4 +
0.8414 *kt³ + 0.7387 *kt²- 2.7659 *kt + 1.6617 ) *Rg 0.51 152.27
+ 4 +
junio = ( 0 *kt5 0 *kt 0.8523 *kt³ + 0.7569 *kt²- 3.0452 *kt + 1.7368 ) *Rg 0.77 68.69
+
julio = ( 0.808 *kt5 3.578 *kt4 -
23.376 *kt³ + 60.363 *kt²- 68.642 *kt + 27.904 ) *Rg 0.86 64.15
+
agosto = ( 0 *kt5 0 *kt4 +
0.902 *kt³ + 0.9793 *kt²- 4.151 *kt + 2.4997 ) *Rg 0.65 87.89
+
septiembre = ( 0 *kt5 0.8508 *kt4 +
1.4249 *kt³ - 5.1349 *kt²+ 2.7998 *kt + 0.5322 ) *Rg 0.52 116.61
+
octubre = ( 0 *kt5 0 *kt4 +
0.8906 *kt³ + 1.6799 *kt²- 8.2895 *kt + 6.4704 ) *Rg 0.45 88.22
+
noviembre = ( 0 *kt5 0 *kt4 +
0.6606 *kt³ + 3.8529 *kt²- 17.289 *kt + 15.965 ) *Rg 0.39 102.62
+
diciembre = ( 0 *kt5 0 *kt4 +
0.7083 *kt³ + 2.7849 *kt²- 15.217 *kt + 15.235 ) *Rg 0.49 62.69

Mensualmente cada polinomio estimó los valores de radiación difusa horaria, mostrando distintos
resultados en su estimación y evaluación. El mes que mejor estimó los valores de radiación difusa
según R2 fue julio, representado por un polinomio de quinto orden; julio es de igual manera uno de
los meses con menor ESR (Fig. 6.2). Al contrario del caso anterior, noviembre es el mes con el
menor valor de R2 y un alto valor ESR (sin embargo no el mayor de todos), lo cual ubica a este como
un polinomio con una de las estimación menos favorables (Fig. 6.3).

Es notable que durante los meses de marzo, abril y mayo hay un incremento del ESR (Tabla 6.1), lo
cual sitúa al MBLiuJordan con una debilidad en la estimación durante este periodo del año.

33
Fig.6.2 Valores de radiación difusa observados contra los estimados por el polinomio del mes de julio (arriba);
diferencia entre los valores observados menos los estimados por el polinomio de julio (abajo).

34
Fig.6.3 Valores de radiación difusa observados contra los estimados por el polinomio del mes de noviembre
(arriba); diferencia entre los valores observados menos los estimados por el polinomio de noviembre (abajo).

35
6.2 MDivAutores para valores horarios mensuales

Este modelo según el procedimiento MDivAutores, descartó valores de los índices Kt y Kd y agrupó
mensualmente los valores (Fig. 6.4), a cada conjunto de puntos se ajustó un polinomio del gradon y
se determinó una ecuación para estimar la radiación difusa; se compararon los meses entre sí
(periodo julio 2011 – junio 2012) en base al R2 y ESR entre lo estimado con el polinomio por mes y lo
registrado en la base de datos (Tabla 6.2).

Fig.6.4 Correlaciones Kt, Kd mensuales para el periodo julio 2011- junio 2012. La línea solida describe
2
gráficamente el polinomio ajustado a la dispersión de los puntos; de igual manera el valor de R en cada
ajuste.

36
2
Tabla 6.2 Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados contra los
observados.

MDivAutores
R² (Est vs Obs) ESR W/m2
+
enero = ( 0.00 *kt5 0.00 *kt4 +
0.89 *kt³ + 1.99 *kt²- 13.16 *kt + 13.22 ) *Rg 0.53 63.34
+
febrero = ( 0.00 *kt5 0.00 *kt4 +
0.00 *kt³ + 0.95 *kt²+ 0.17 *kt - 2.30 ) *Rg 0.54 91.85
+
marzo = ( 0.00 *kt5 0.95 *kt4 -
0.83 *kt³ + 6.21 *kt²- 18.94 *kt + 13.89 ) *Rg 0.74 75.53
+
abril = ( 0.00 *kt5 0.00 *kt4 +
0.89 *kt³ + 0.57 *kt²- 3.20 *kt + 1.92 ) *Rg 0.61 93.72
+
mayo = ( 0.00 *kt5 0.00 *kt4 +
0.87 *kt³ + 0.89 *kt²- 3.72 *kt + 2.15 ) *Rg 0.76 68.41
+
junio = ( 0.00 *kt5 0.00 *kt4 +
0.89 *kt³ + 0.58 *kt²- 2.94 *kt + 1.71 ) *Rg 0.82 57.50
+
julio = ( 0.92 *kt5 1.27 *kt4 -
9.95 *kt³ + 30.17 *kt²- 41.56 *kt + 19.66 ) *Rg 0.92 44.77
+
agosto = ( 0.00 *kt5 0.00 *kt4 +
0.93 *kt³ + 0.86 *kt²- 4.18 *kt + 2.56 ) *Rg 0.73 70.90
+
septiembre = ( 0.00 *kt5 0.00 *kt4 +
0.94 *kt³ + 0.85 *kt²- 4.35 *kt + 2.83 ) *Rg 0.60 91.50
+
octubre = ( 0.00 *kt5 0.00 *kt4 +
0.93 *kt³ + 1.36 *kt²- 7.45 *kt + 5.74 ) *Rg 0.50 80.94
+
noviembre = ( 0.00 *kt5 0.00 *kt4 +
0.89 *kt³ + 2.08 *kt²- 12.90 *kt + 12.46 ) *Rg 0.41 98.07
+
diciembre = ( 0.00 *kt5 0.00 *kt4 +
0.90 *kt³ + 1.87 *kt²- 13.91 *kt + 14.75 ) *Rg 0.46 63.79

Mensualmente con cada polinomio bajo el método MDivAutores se estimaron los valores de
radiación difusa, mostrando distintos resultados en la evaluación según valores de ESR y R2.

El mes que mejor estimó los valores de radiación difusa según valor de R2 fue julio, de igual
manera el mes con menor valor ESR (Fig. 6.5). Al contrario del caso anterior, noviembre fue el mes
con el menor valor de R2 y el mayor ESR (fig. 6.6), lo cual ubica a este como el polinomio con una de
las estimaciones menos favorables del año.

Al comparar mes por mes el ESR en MBLiuJordan contra el MDviAutores (Tabla 6.1 y 6.2), este
último presenta los menores errores.

Los meses de septiembre, octubre y noviembre tienen un ESR alto (Tabla.6.2), lo cual sitúa al
MDivutores con una debilidad en la estimación durante este periodo del año.

37
Fig.6.5 Arriba: valores de radiación difusa observados contra los estimados por el polinomio del mes de julio.
Abajo: diferencia entre los valores observados menos los estimados por el polinomio de julio.

38
Fig.6.6 Arriba: valores de radiación difusa observados contra los estimados por el polinomio del mes de
noviembre. Abajo: diferencia entre los valores observados menos los estimados por el polinomio de
noviembre.

39
6.3 Comparación de los MLiuJordan y MDivAutores horarios

En base a los modelos disponibles para la estimación de radiación difusa existentes en la literatura,
desarrollados por diversos autores y ajustados a diferentes latitudes con datos de diversas
localidades del mundo (véase pág.8), se han seleccionado cuatro de estos modelos (Liu y Jordan
(1960), Orgill y Hollands (1977), Erbs (1982) y Reindl (1990) - por ser modelos para estimación de
valores diarios y horarios de radiación- para comparar contra los del método MLiuJordan y
MDivAutores. En cada modelo fue evaluado el periodo julio 2011 – junio 2012 con datos de la
estación LATEX, Xalapa, y se compararon los valores estimados contra los observados y, a partir
de los valores de R2 y ESR en cada modelo, se determinó el que mejor estimó (fig.5.9), resultando el
modelo MDivAutores el que muestra los resultados más favorables. Sin embargo es importante notar
que el modelo propuesto por Erbs (1982), a pesar de no haber sido ajustado para latitudes similares
ni haber sido desarrollado en base a datos de estaciones geográficamente cercanas, ha mostrado
también un aceptable desempeño en la estimación para Xalapa.

2
Tabla 6.3 Evaluación del periodo julio 2011- junio 201, mostrando los valores de R y ESR de lo estimado
por el modelo contra lo observado en los datos originales de la estación LATEX, Xalapa.

Julio 2011 - Junio 2012


Modelo R² (Est vs Obs) ESR W/m2

MLiuJordan 0.56 100.56

MDivAutores 0.63 75.02

Liu & Jordan (1960) 0.40 116.27

Orgill & Hollands (1977) 0.42 136.32

Erbs (1982) 0.48 110.51

Reindl (1990) 0.43 126.12

40
6.4 Modelos para valores diarios

Los modelos para la estimación de valores diarios fueron tratados mediante el procedimiento de
MDivAutores; descartando los valores distintos a 0<Kt<1 y 0<Kd<1, y añadiendo el filtro de Caso 1:
condiciones despejadas y Caso 2: condiciones nubladas (véase pág. 20).

6.4.1 Diarios acumulados mensuales

Los modelos diarios acumulados mensuales, proporcionan la estimación de la radiación difusa


durante un día típico de un mes en específico. Se generó un total de doce modelos (uno por mes)
para que dependiendo de la necesidad de estimar un valor diario acumulado según el mes del año,
este pudiese ser obtenido (KJ/m2) mediante el correspondiente polinomio.

Para estos modelos se establecieron las regresiones Kt, Kd mensualmente usando los valores
diarios acumulados y se ajustaron distintos polinomios por mes. Fue seleccionado el polinomio
mejor ajustado a la dispersión de los datos en las correlaciones Kt, Kd (según valor de R 2) y se
calcularon los valores del ESR y R2 para los valores observados contra los estimados por los
modelos (Tabla 6.4).

2
Tabla 6.4 Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados contra los
observados.

Modelos diarios acumulados mensuales R² (Obsv vs Est) ESR (Obs vs Est) Kj/m2
Enero = ( 0.00 *kt4 + 0.00 *kt³ - 5.13 *kt²+ 1.04 *kt + 0.92 ) *Rg 0.83 753.54
Febrero = ( 0.00 *kt4 + 0.00 *kt³ - 4.48 *kt²+ 1.14 *kt + 0.96 ) *Rg 0.79 1287.52
Marzo = ( 0.00 *kt4 + 0.00 *kt³ - 2.36 *kt²+ 0.15 *kt + 0.98 ) *Rg 0.32 2110.08
Abril = ( 0.00 *kt4 + 0.00 *kt³ - 1.65 *kt²- 0.17 *kt + 0.98 ) *Rg 0.32 3021.58
Mayo = ( 0.00 *kt4 + 10.08 *kt³ - 14.55 *kt²+ 4.88 *kt + 0.44 ) *Rg 0.59 1661.61
Junio = ( 0.00 *kt4 + 19.32 *kt³ - 23.77 *kt²+ 7.73 *kt + 0.05 ) *Rg 0.47 810.90
Julio = ( 431.43 *kt4 - 473.42 *kt³ + 184.25 *kt²- 36.57 *kt + 2.75 ) *Rg 0.85 1051.37
Agosto = ( -88.12 *kt4 + 121.88 *kt³ - 59.30 *kt²+ 10.23 *kt + 0.42 ) *Rg 0.50 1158.56
Septiembre = ( 0.00 *kt4 + 0.00 *kt³ - 1.15 *kt²- 0.61 *kt + 1.03 ) *Rg 0.19 6810.71
Octubre = ( 0.00 *kt4 + 0.00 *kt³ + 2.12 *kt²- 3.85 *kt + 1.71 ) *Rg 0.66 970.19
Noviembre = ( 0.00 *kt4 + 108.88 *kt³ - 138.54 *kt²+ 54.76 *kt - 6.17 ) *Rg 0.76 829.34
Diciembre = ( 0.00 *kt4 + 0.00 *kt³ - 2.91 *kt²- 0.20 *kt + 0.99 ) *Rg 0.63 1006.37

41
El mes de enero con un polinomio de segundo orden muestra el mejor desempeño en la estimación
diaria acumulada mensual, con uno de los mayores R2 y el menor ESR. Por otra parte es el mes de
septiembre el cual a pesar de mostrar un alto valor de R2 en la correlación Kt, Kd (fig. 6.8), no lo es
así en la práctica, pues muestra un bajo valor de R2 entre los valores estimados y observados, y
además un alto valor en el ESR.

Fig. 6.8 Correlaciones Kt, Kd para el modelo mensual de Enero (Izq.) y Septiembre (Der.). La línea solida
2
describe gráficamente el polinomio ajustado a la dispersión de los puntos; de igual manera el valor de R en
cada ajuste.

2
Fig. 6.9 Se muestra el R de los valores estimados contra los observados para el mes de Enero (izq) y el
mes de Septiembre (der.)

Según los valores mostrados en la fig.6.9 es posible notar que el modelo con mejor desempeño en
su estimación es enero; contrariamente, septiembre es el modelo menos favorecido para el periodo.

42
Esta situación es más notoria aun en la comparación gráfica de los valores observados menos los
estimados (Fig. 6.10) en donde se presenta una frecuente sub estimación de los valores.

Enero (obs - Est) Septiembre( Obs-Est)


1500 0

1000 -2000
500
-4000
0
-6000

KJ/m2
Kj/m2

-500 Obs-Est Obs-Est


-8000
-1000
-10000
-1500

-2000 -12000

-2500 -14000

Fig. 6.10 Se muestran los valores diarios mensuales observados menos los estimados por el modelo mensual
diario de Julio (izq.) y septiembre (der.) respectivamente.

6.4.2 Diarios acumulados trimestrales

Los modelos diarios acumulados trimestrales, proporcionan la estimación promedio de la radiación


difusa durante un día típico de un trimestre (DEF, MAM, JJA y SON).

Se generó un total de cuatro modelos (uno por trimestre) para que dependiendo de la necesidad de
estimar un valor diario acumulado según el trimestre del año, este pudiese ser obtenido (en Kj/m2)
mediante el correspondiente polinomio.

Estos modelos fueron desarrollados mediante la agrupación de valores Kt y Kd diarios por


trimestres, obteniendo cuatro polinomios para estimar la radiación difusa diaria promedio trimestral.
Se compararon los valores observados contra los estimados por los cuatro polinomios.

Fue el modelo DEF el modelo que mejor estimación presentó en comparación a los demás (Tabla
6.5).

43
2
Tabla 6.5. Se muestran los polinomios por trimestre y el valor del R y ESR de los valores estimados
contra los observados.

Modelos diarios acumulados trimestrales R² (Obsv vs Est) ESR (Obs vs Est) Kj/m2
4-
DEF = ( 70.68 *kt 72.46 *kt³ + 18.76 *kt²- 1.56 *kt + 0.97 ) *Rg 0.63 1271.43
MAM = ( 0.00 *kt4 + 8.76 *kt³ - 12.90 *kt²+ 4.21 *kt + 0.49 ) *Rg 0.50 1910.66
JJA = ( 0.00 *kt4 + 2.66 *kt³ - 4.82 *kt²+ 0.72 *kt + 0.95 ) *Rg 0.55 1311.25
4+
SON = ( 0.00 *kt 8.08 *kt³ - 9.75 *kt²+ 1.77 *kt + 0.87 ) *Rg 0.63 1502.84

El R2 del ajuste del polinomio en las correlaciones Kt y Kd para DEF, MAM, JJA y SON fue similar
(Fig. 6.11), el modelo DEF mostró el mayor R2 para valores estimados contra observados (fig. 6.12).

Fig.6.11. Correlaciones Kt, Kd para el modelo trimestral DEF(diciembre- enero), MAM (marzo–
mayo), JJA (julio – agosto) y SON (septiembre – noviembre). La línea solida describe gráficamente el
2
polinomio ajustado a la dispersión de los puntos; de igual manera el valor de R en cada ajuste.

44
2
Fig. 6.12 Se muestra el R de los valores estimados contra los observados para los cuatro trimestres
del periodo Julio 2011 – Junio 2012.

Fig. 6.13 Se muestran los valores diarios trimestrales observados menos los estimados por cada
modelo trimestral.

45
6.4.3 Diarios acumulados semestrales

Los modelos diarios acumulados semestrales, proporcionan la estimación de la radiación difusa


durante un día promedio de un semestre (noviembre-abril y mayo-octubre).

Se generó un total de dos modelos (uno por semestre) para que dependiendo de la necesidad de
estimar un valor diario acumulado según el semestre del año, este pudiese ser obtenido (en KJ/m2)
mediante el correspondiente polinomio.

Estos modelos fueron desarrollados mediante la agrupación de valores Kt y Kd diarios por semestre
N-A y M-O obteniendo dos polinomios para estimar la radiación promedio difusa diaria semestral.

Se determinó al modelo M-O como la mejor estimación, según valores ESR de las estimaciones del
modelo , sin embargo no se descarta al modelo N-A como un buen estimador pues los valores de
ESR y R2 de lo observado contra lo estimado son similares (Tabla 6.6).

Gráficamente es posible ver en ambos modelos (Fig. 6.14) que existe gran similitud en la
distribución de los datos Kt-Kd y en valores de R2 en la comparación de estimados contra
observados (Fig.6.15), sin embargo el comportamiento de los valores observados menos los
estimados en la (Fig.6.16) muestra en particulares casos una importante subestimación de la
radiación difusa por parte del modelo noviembre – abril.

2
Tabla 6.6. Se muestran los polinomios por semestre y el valor del R y ESR de los valores estimados
contra los observados.

Modelos diarios acumulados semestrales R² (Obsv vs Est) ESR (Obs vs Est) KJ/m2
N - A = ( 10.10 *kt³ - 11.73 *kt²+ 2.13 *kt + 0.91 ) *Rg 0.63 1883.75
M - O = ( 7.60 *kt³ - 10.06 *kt²+ 2.39 *kt + 0.79 ) *Rg 0.57 1480.58

46
Fig. 6.14 Correlaciones Kt, Kd para el modelo semestral Noviembre - Abril y Mayo - Octubre. La línea
solida describe gráficamente el polinomio ajustado a la dispersión de los puntos; de igual manera el
2
valor de R en cada ajuste.

2
Fig.6.15 Se muestra el R de los valores estimados contra los observados para los dos modelos
semestrales.

Fig.6.16 Valores diarios trimestrales observados menos los estimados por cada modelo semestral.

47
6.5 MDPMPrec

Los modelos diarios acumulados promedio mensual con precipitación, proporcionan la estimación
promedio de la radiación difusa (en KJ/m2) en función de los días y cantidades de precipitación
(mm/día) –según la climatología del lugar- para un mes dado. El modelo está conformado por doce
polinomios.

El modelo se desarrolló mediante la categorización de valores Kt y Kd diarios según tres intervalos


de valores de precipitación diaria acumulada mensualmente (Véase pág. 24).

En base a los valores de R2 y ESR mostrados por los modelos en la comparación de lo estimado
contra lo observado, se determinó a febrero como el mes con el mejor desempeño en las
estimaciones de radiación en este modelo. (Tabla 6.7).

2
Tabla 6.7. Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados
contra los observados.

MDPMPrec R² (Obsv vs Est) ESR (Obs vs Est) KJ/m2


4+
Enero= ( 6.73 *kt 0.27 *kt³ - 7.01 *kt²+ 1.47 *kt + 0.92 )*Rg 0.73 1805.40
4-
Febrero= ( 7.19 *kt 0.31 *kt³ - 6.76 *kt²+ 1.42 *kt + 0.93 )*Rg 0.77 1208.71
4+
Marzo= ( 6.73 *kt 0.67 *kt³ - 7.44 *kt²+ 1.58 *kt + 0.92 )*Rg 0.26 2391.07
4-
Abril= ( 13.90 *kt 8.96 *kt³ - 2.91 *kt²+ 0.72 *kt + 0.97 )*Rg 0.36 2235.35
4-
Mayo =( 20.18 *kt 17.64 *kt³ + 1.34 *kt²- 0.12 *kt + 1.02 )*Rg 0.45 2226.06
4-
Junio= ( 41.70 *kt 47.21 *kt³ + 15.68 *kt²- 2.92 *kt + 1.20 )*Rg 0.41 881.21
4-
Julio =( 40.35 *kt 45.51 *kt³ + 14.94 *kt²- 2.79 *kt + 1.19 )*Rg 0.73 1817.19
4-
Agosto= ( 33.63 *kt 36.55 *kt³ + 10.76 *kt²- 1.99 *kt + 1.14 )*Rg 0.34 1348.13
4-
Septiembre = ( 48.65 *kt 57.09 *kt³ + 20.66 *kt²- 3.92 *kt + 1.26 )*Rg 0.53 1512.19
4-
Octubre =( 26.90 *kt 27.40 *kt³ + 6.37 *kt²- 1.14 *kt + 1.09 )*Rg 0.59 1181.00
4+
Noviembre =( 6.95 *kt 0.09 *kt³ - 7.00 *kt²+ 1.48 *kt + 0.92 )*Rg 0.57 1715.13
4+
Diciembre =( 6.73 *kt 0.27 *kt³ - 7.01 *kt²+ 1.47 *kt + 0.92 )*Rg 0.55 2278.75

Según los valores mostrados en la Tabla 6.7 es posible ver cómo el mejor modelo de estimación
según valores de R2 y ESR es el mes de febrero, mientras que contrariamente marzo es el mes que
muestra los valores menos favorables.

Gráficamente es posible observar (Fig. 6.17) que en la comparación de los valores estimados contra
los observados la similitud entre estos resulta mayor en febrero, dicha situación es aún más notoria
en la comparación de los gráficos de los valores observados menos estimados (Fig.6.18) en donde
el modelo de marzo, subestima la radiación difusa aumentando el valor del ESR.

48
2
Fig. 6.17 Se muestra el R de los valores estimados contra los observados para los dos modelos
mensuales.

Fig 6.18 Se muestran los valores diarios mensuales observados menos los estimados por cada
modelo. El mes de febrero (izq.) representa la mejor estimación mensual y marzo (der.) el modelo
menos favorable.

49
6.6 MDPMax

Los modelos diarios promedio mensual en base a temperaturas máximas diarias se desarrollaron
mediante la categorización de valores Kt y Kd diarios según tres intervalos de valores de
temperaturas máximas diarias mensualmente (Véase pág. 26).

En base a los valores de R2 y ESR mostrados por los modelos en la comparación de lo estimado
contra lo observado, se determinó a julio como el mes con el mejor desempeño en las estimaciones
de radiación difusa diaria promedio mensual basada en la categorización por valores de
Temperatura máxima diaria (Tabla 6.8).

2
Tabla 6.8. Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados
contra los observados.

MDPMax R² (Obsv vs Est) ESR (Obs vs Est) KJ/m2


4 +
Enero = ( 11.84 *kt -6.13 *kt³ - 6.10 *kt²+ 2.34 *kt + 0.70 ) *Rg 0.77 1529.49
4 +
Febrero= ( 6.55 *kt 4.86 *kt³ - 14.38 *kt²+ 5.09 *kt + 0.37 ) *Rg 0.81 1163.50
4 +
Marzo= ( -4.21 *kt 25.95 *kt³ - 29.49 *kt²+ 9.85 *kt - 0.19 ) *Rg 0.33 2392.18
4 +
Abril= ( -15.71 *kt 48.12 *kt³ - 45.13 *kt²+ 14.70 *kt - 0.74 ) *Rg 0.51 1991.18
4 +
Mayo= ( -21.37 *kt 59.66 *kt³ - 53.70 *kt²+ 17.50 *kt - 1.08 ) *Rg 0.54 2186.81
4 +
Junio= ( -13.45 *kt 44.76 *kt³ - 43.45 *kt²+ 14.40 *kt - 0.73 ) *Rg 0.41 921.53
4 +
Julio= ( -2.90 *kt 25.86 *kt³ - 31.08 *kt²+ 10.88 *kt - 0.37 ) *Rg 0.89 1328.77
4 +
Agosto= ( -6.64 *kt 32.32 *kt³ - 35.13 *kt²+ 11.97 *kt - 0.47 ) *Rg 0.25 1335.02
4 +
Septiembre= ( 5.63 *kt 9.84 *kt³ - 20.07 *kt²+ 7.56 *kt + 0.00 ) *Rg 0.54 1652.89
4 -
Octubre= ( 16.00 *kt 9.52 *kt³ - 6.85 *kt²+ 3.61 *kt + 0.44 ) *Rg 0.59 1046.73
4 -
Noviembre= ( 17.45 *kt 13.39 *kt³ - 3.40 *kt²+ 2.29 *kt + 0.62 ) *Rg 0.58 1620.79
4 -
Diciembre= ( 14.04 *kt 9.38 *kt³ - 4.47 *kt²+ 2.06 *kt + 0.71 ) *Rg 0.58 1983.96

Según los valores mostrados en la Tabla 6.8. es posible ejemplificar como el mejor modelo de
estimación según valores de R2 y ESR al mes de julio, mientras que contrariamente marzo es el mes
que muestra los valores menos favorecidos.

Gráficamente es posible observar (Fig. 6.19) que en la comparación de los valores estimados contra
los observados la similitud entre estos resulta mayor en julio. En la comparación de los gráficos de
los valores observados menos estimados (Fig.6.20) en donde el modelo de marzo, tras mantener un
margen de error en la estimación “bueno”, subestima la radiación difusa aumentando el valor del
ESR, mientras que julio a pesar de subestimar también los valores de radiación, mantiene un
periodo en donde el margen de error en la estimación resulta estrecho; favoreciendo el bajo valor en
el ESR.

50
2
Fig. 6.19 Se muestra el R de los valores estimados contra los observados para los dos modelos
mensuales.

Fig. 6.20 Se muestran los valores diarios mensuales observados menos los estimados por el modelo
mensual.

51
6.7 MDPMin

Los modelos diarios promedio mensual en base a temperaturas mínimas diarias se desarrollaron
mediante la categorización de valores Kt y Kd diarios según tres intervalos de valores de
temperaturas mínimas diarias mensualmente (Véase pág. 28).

En base a los valores de R2 y ESR mostrados por los modelos en la comparación de lo estimado
contra lo observado, se determinó a Julio como el mes con el mejor desempeño en las estimaciones
de radiación difusa diaria promedio mensual basada en la categorización por valores de temperatura
mínima diaria (Tabla 6.9).

2
Tabla 6.9. Se muestran los polinomios por mes y el valor del R y ESR de los valores estimados
contra los observados.

MDPMin R² (Obsv vs Est) ESR (Obs vs Est) KJ/m2


Enero = ( 10.37 *kt³ - 11.91 *kt²+ 2.17 *kt + 0.89 ) *Rg 0.77 1186.69
Febrero = ( 10.09 *kt³ - 11.78 *kt²+ 2.25 *kt + 0.87 ) *Rg 0.80 1337.95
Marzo = ( 9.82 *kt³ - 11.80 *kt²+ 2.46 *kt + 0.82 ) *Rg 0.26 2866.22
Abril = ( 9.76 *kt³ - 12.52 *kt²+ 3.22 *kt + 0.68 ) *Rg 0.53 1942.19
Mayo = ( 10.00 *kt³ - 13.32 *kt²+ 3.84 *kt + 0.57 ) *Rg 0.59 2109.81
Junio = ( 9.86 *kt³ - 13.16 *kt²+ 3.78 *kt + 0.57 ) *Rg 0.43 887.77
Julio = ( 9.21 *kt³ - 11.82 *kt²+ 2.90 *kt + 0.73 ) *Rg 0.88 1303.65
Agosto = ( 9.31 *kt³ - 12.01 *kt²+ 3.02 *kt + 0.71 ) *Rg 0.28 1264.16
Septiembre = ( 9.53 *kt³ - 12.42 *kt²+ 3.27 *kt + 0.67 ) *Rg 0.60 1494.06
Octubre = ( 9.46 *kt³ - 12.07 *kt²+ 2.98 *kt + 0.72 ) *Rg 0.63 1122.18
Noviembre = ( 9.70 *kt³ - 11.75 *kt²+ 2.50 *kt + 0.82 ) *Rg 0.54 1632.51
Diciembre = ( 10.11 *kt³ - 11.93 *kt²+ 2.39 *kt + 0.84 ) *Rg 0.56 1930.01

Según los valores mostrados en la tabla 6.9 es posible ejemplificar como el mejor modelo de
estimación según valores de R2 y ESR al mes de julio, mientras que contrariamente marzo es el mes
que muestra los valores menos favorecidos.

Gráficamente es posible observar (Fig. 6.21) que en la comparación de los valores estimados contra
los observados la similitud entre estos resulta mayor en julio. En la comparación de los gráficos de
los valores observados menos estimados (Fig.6.22) en donde el modelo de marzo, tras mantener un
margen de error en la estimación “bueno”, subestima la radiación difusa aumentando el valor del
ESR; mientras que julio a pesar de subestimar también los valores de radiación, mantiene un
periodo en donde el margen de error en la estimación resulta estrecho, favoreciendo el bajo valor en
el ESR.

52
2
Fig. 6.21 Se muestra el R de los valores estimados contra los observados para los dos modelos mensuales

Fig. 6.22 Se muestran los valores diarios mensuales observados menos los estimados por el modelo mensual
correspondiente.

53
7. Conclusiones y recomendaciones

Dada la necesidad de información y datos de radiación solar en el país, el presente trabajo presenta
un ejercicio de adecuación de modelos empíricos estadísticos para la estimación de la radiación
solar difusa en sitios en donde esta no sea registrada. En el caso óptimo de contar con la disposición
de una base de datos de radiación solar global y difusa para un periodo de información de por lo
menos un año, el ejercicio resultaría similar al aplicado por este trabajo; pero cuando la
disponibilidad de datos es nula, resulta recomendable el adecuar un modelo para un sitio cercano
que si cuente con esta información y que de ser posible posea características orográficas,
latitudinales y climáticas similares a las del lugar a donde se busca estimar. Una alternativa es
implementar una campaña de mediciones de radiación global y difusa de por lo menos un año para
poder aplicar la metodología de este trabajo y generar modelos para estimar posteriormente.

Se sugiere en futuros trabajos, aplicar la metodología de MDivAutores que elimina valores extremos
y erróneos, con el propósito de favorecer el ajuste de los modelos en las correlaciones Kt, Kd.

De los modelos propuestos en el trabajo se recomienda utilizar para propósitos de estimaciones


horarias el modelo MDivAutores para valores horarios mensuales, pues es el que mejor precisa
valores de radiación en periodos cortos. Es sugerible para la estimación más detallada; para estimar
valores minutarios y horarios.

Si se precisa la estimación de valores de radiación diaria, el modelo mensual diario es


recomendable.

Sin embargo si lo que se busca es una estimación diaria promedio mensual poniendo en juego la
inclusión de una variable meteorológica son los modelos MDPMPrec, MDPMax y MDPMin; estos
modelos son útiles cuando se busca conocer de manera promedio el comportamiento de la
radiación y se cuenta con el dato adicional de Tmax, Tmin o Prec.

54
Glosario(Hernández et al, 1991)

Irradiación. Es la energía que en forma de radiación se integra o totaliza durante cierto tiempo en
una superficie o zona, regularmente sus unidades son J.m-2.hr-1 o KWhr.m-2

Radiación. Es la energía electromagnética emitida, transferida o recibida en todas direcciones,


regularmente sus unidades son W. m-2.

Radiación solar directa. Es la radiación solar que se recibe del ángulo sólido del disco solar, y que
no ha sido dispersa por la atmósfera.

Radiación difusa. Es la radiación solar cuya dirección original ha sido también cambiada por la
dispersión en la atmósfera.

Radiación solar global. Es la suma del componente de la radiación difusa más el componente de la
radiación directa.

Irradiación extraterrestre. Es la irradiación incidente sobre una superficie horizontal en el tope de la


atmósfera. Varía con la latitud y la fecha

55
Nomenclatura

ABREVIATURAS
ESR Error estándar de estimación
2
R Coeficiente de determinación
Rdif Radiación difusa
Rg Radiación global
Rext Radiación extraterrestre
Kt Índice de claridad
Kd Índice de fracción difusa
Tmax Temperatura máxima diaria
Tmin Temperatura mínima diaria
Prec Precipitación diaria mm/día
MLiuJordan Modelo basado en el método de Liu y Jordan
MDivAutores Modelo basado en el método de diversos autores
MDPMPrec Modelo diario promedio mensual con precipitación diaria
MDPMax Modelo diario promedio mensual con temperatura máxima diaria
MDPMin Modelo diario promedio mensual con temperatura mínima diaria
DEF Modelo de diciembre, enero y febrero
MAM Modelo de marzo, abril y mayo
JJA Modelo de junio, julio y agosto
SON septiembre, octubre y noviembre
M -O semestre mayo – octubre
N -A semestre noviembre – abril

56
Anexo 1
Modelos empíricos

57
Modelos diarios acumulados mensuales R² (Kt, Kd) R² (Obsv vs Est) ESR (Obs vs Est) Kj/m2
4+
Enero = ( 0.0000 *kt 0.0000 *kt³ - 5.1261 *kt²+ 1.0358 *kt + 0.9221 ) *Rg 0.875 0.83 753.54
4+
Febrero = ( 0.0000 *kt 0.0000 *kt³ - 4.4782 *kt²+ 1.1360 *kt + 0.9585 ) *Rg 0.794 0.79 1287.52
Marzo = ( 0.0000 *kt4 + 0.0000 *kt³ - 2.3622 *kt²+ 0.1524 *kt + 0.9844 ) *Rg 0.713 0.32 2110.08
4+
Abril = ( 0.0000 *kt 0.0000 *kt³ - 1.6474 *kt²- 0.1718 *kt + 0.9751 ) *Rg 0.737 0.32 3021.58
4+
Mayo = ( 0.0000 *kt 10.0760 *kt³ - 14.5500 *kt²+ 4.8811 *kt + 0.4355 ) *Rg 0.745 0.59 1661.61
4+
Junio = ( 0.0000 *kt 19.3220 *kt³ - 23.7730 *kt²+ 7.7286 *kt + 0.0486 ) *Rg 0.838 0.47 810.90
4-
Julio = ( 431.4300 *kt 473.4200 *kt³ + 184.2500 *kt²- 36.5700 *kt + 2.7500 ) *Rg 0.309 0.85 1051.37
4+
Agosto = ( -88.1210 *kt 121.8800 *kt³ - 59.2950 *kt²+ 10.2290 *kt + 0.4152 ) *Rg 0.808 0.50 1158.56
Septiembre = ( 0.0000 *kt4 + 0.0000 *kt³ - 1.1494 *kt²- 0.6088 *kt + 1.0346 ) *Rg 0.753 0.19 6810.71
Octubre = ( 0.0000 *kt4 + 0.0000 *kt³ + 2.1219 *kt²- 3.8467 *kt + 1.7148 ) *Rg 0.854 0.66 970.19
4+
Noviembre = ( 0.0000 *kt 108.8800 *kt³ - 138.5400 *kt²+ 54.7580 *kt - 6.1732 ) *Rg 0.654 0.76 829.34
4+
Diciembre = ( 0.0000 *kt 0.0000 *kt³ - 2.9114 *kt²- 0.1967 *kt + 0.9864 ) *Rg 0.856 0.63 1006.37

Modelos diarios acumulados trimestrales R² (Kt, Kd) R² (Obsv vs Est) ESR (Obs vs Est) Kj/m2
DEF = ( 70.6770 *kt4 - 72.4580 *kt³ + 18.7610 *kt²- 1.5550 *kt + 0.9716 ) *Rg 0.758 0.63 1271.43
MAM = ( 0.0000 *kt4 + 8.7599 *kt³ - 12.9000 *kt²+ 4.2144 *kt + 0.4899 ) *Rg 0.723 0.50 1910.66
JJA = ( 0.0000 *kt4 + 2.6639 *kt³ - 4.8166 *kt²+ 0.7178 *kt + 0.9454 ) *Rg 0.710 0.55 1311.25
SON = ( 0.0000 *kt4 + 8.0775 *kt³ - 9.7523 *kt²+ 1.7678 *kt + 0.8686 ) *Rg 0.682 0.63 1502.84

Modelos diarios acumulados semestrales R² (Kt, Kd) R² (Obsv vs Est) ESR (Obs vs Est) KJ/m2
N- A=( 10.1000 *kt³ - 11.7300 *kt²+ 2.1330 *kt + 0.9120 ) *Rg 0.671 0.63 1883.75
M- O=( 7.5990 *kt³ - 10.0600 *kt²+ 2.3850 *kt + 0.7870 ) *Rg 0.733 0.57 1480.58

2
MDPMPrec R² (Obsv vs Est) ESR (Obs vs Est) KJ/m
4
Enero= ( 6.7258 *kt + 0.2725 *kt³ - 7.0149 *kt²+ 1.4659 *kt + 0.9232 )*Rg 0.73 1805.40
Febrero= ( 7.1897 *kt4 - 0.3110 *kt³ - 6.7634 *kt²+ 1.4216 *kt + 0.9260 )*Rg 0.77 1208.71
Marzo= ( 6.7258 *kt4 + 0.6703 *kt³ - 7.4398 *kt²+ 1.5845 *kt + 0.9160 )*Rg 0.26 2391.07
Abril= ( 13.9000 *kt4 - 8.9572 *kt³ - 2.9054 *kt²+ 0.7189 *kt + 0.9698 )*Rg 0.36 2235.35
4
Mayo =( 20.1774 *kt - 17.6423 *kt³ + 1.3411 *kt²- 0.1163 *kt + 1.0217 )*Rg 0.45 2226.06
Junio= ( 41.7000 *kt4 - 47.2144 *kt³ + 15.6811 *kt²- 2.9187 *kt + 1.1957 )*Rg 0.41 881.21
Julio =( 40.3548 *kt4 - 45.5092 *kt³ + 14.9375 *kt²- 2.7861 *kt + 1.1874 )*Rg 0.73 1817.19
Agosto= ( 33.6290 *kt4 - 36.5518 *kt³ + 10.7595 *kt²- 1.9950 *kt + 1.1382 )*Rg 0.34 1348.13
Septiembre = ( 48.6500 *kt4 - 57.0871 *kt³ + 20.6570 *kt²- 3.9199 *kt + 1.2578 )*Rg 0.53 1512.19
Octubre =( 26.9032 *kt4 - 27.3955 *kt³ + 6.3690 *kt²- 1.1446 *kt + 1.0853 )*Rg 0.59 1181.00
Noviembre =( 6.9500 *kt4 + 0.0932 *kt³ - 7.0031 *kt²+ 1.4751 *kt + 0.9227 )*Rg 0.57 1715.13
Diciembre =( 6.7258 *kt4 + 0.2725 *kt³ - 7.0149 *kt²+ 1.4659 *kt + 0.9232 )*Rg 0.55 2278.75

58
2
MDPMax R² (Obsv vs Est) ESR (Obs vs Est) KJ/m
4
Enero = ( 11.8412 *kt - 6.1283 *kt³ - 6.0994 *kt²+ 2.3433 *kt + 0.6998 ) *Rg 0.77 1529.49
Febrero= ( 6.5460 *kt4 + 4.8644 *kt³ - 14.3848 *kt²+ 5.0875 *kt + 0.3663 ) *Rg 0.81 1163.50
Marzo= ( -4.2139 *kt4 + 25.9548 *kt³ - 29.4943 *kt²+ 9.8512 *kt - 0.1882 ) *Rg 0.33 2392.18
Abril= ( -15.7132 *kt4 + 48.1220 *kt³ - 45.1263 *kt²+ 14.6997 *kt - 0.7440 ) *Rg 0.51 1991.18
Mayo= ( -21.3665 *kt4 + 59.6629 *kt³ - 53.7018 *kt²+ 17.5023 *kt - 1.0808 ) *Rg 0.54 2186.81
Junio= ( -13.4452 *kt4 + 44.7635 *kt³ - 43.4467 *kt²+ 14.4038 *kt - 0.7345 ) *Rg 0.41 921.53
Julio= ( -2.9043 *kt4 + 25.8619 *kt³ - 31.0812 *kt²+ 10.8833 *kt - 0.3652 ) *Rg 0.89 1328.77
Agosto= ( -6.6392 *kt4 + 32.3157 *kt³ - 35.1254 *kt²+ 11.9720 *kt - 0.4720 ) *Rg 0.25 1335.02
Septiembre= ( 5.6323 *kt4 + 9.8359 *kt³ - 20.0721 *kt²+ 7.5642 *kt + 0.0049 ) *Rg 0.54 1652.89
Octubre= ( 16.0005 *kt4 - 9.5177 *kt³ - 6.8545 *kt²+ 3.6051 *kt + 0.4434 ) *Rg 0.59 1046.73
Noviembre= ( 17.4485 *kt4 - 13.3853 *kt³ - 3.3958 *kt²+ 2.2934 *kt + 0.6197 ) *Rg 0.58 1620.79
Diciembre= ( 14.0360 *kt4 - 9.3784 *kt³ - 4.4740 *kt²+ 2.0570 *kt + 0.7089 ) *Rg 0.58 1983.96

2
MDPMin R² (Obsv vs Est) ESR (Obs vs Est) KJ/m
Enero = ( 10.3735 *kt³ - 11.9099 *kt²+ 2.1745 *kt + 0.8877 ) *Rg 0.77 1186.69
Febrero = ( 10.0896 *kt³ - 11.7821 *kt²+ 2.2475 *kt + 0.8695 ) *Rg 0.80 1337.95
Marzo = ( 9.8164 *kt³ - 11.8027 *kt²+ 2.4601 *kt + 0.8249 ) *Rg 0.26 2866.22
Abril = ( 9.7561 *kt³ - 12.5224 *kt²+ 3.2160 *kt + 0.6801 ) *Rg 0.53 1942.19
Mayo = ( 10.0013 *kt³ - 13.3222 *kt²+ 3.8365 *kt + 0.5657 ) *Rg 0.59 2109.81
Junio = ( 9.8627 *kt³ - 13.1640 *kt²+ 3.7772 *kt + 0.5749 ) *Rg 0.43 887.77
Julio = ( 9.2122 *kt³ - 11.8179 *kt²+ 2.9002 *kt + 0.7320 ) *Rg 0.88 1303.65
Agosto = ( 9.3109 *kt³ - 12.0059 *kt²+ 3.0172 *kt + 0.7112 ) *Rg 0.28 1264.16
Septiembre = ( 9.5303 *kt³ - 12.4207 *kt²+ 3.2741 *kt + 0.6656 ) *Rg 0.60 1494.06
Octubre = ( 9.4566 *kt³ - 12.0715 *kt²+ 2.9798 *kt + 0.7205 ) *Rg 0.63 1122.18
Noviembre = ( 9.6983 *kt³ - 11.7543 *kt²+ 2.4952 *kt + 0.8165 ) *Rg 0.54 1632.51
Diciembre = ( 10.1078 *kt³ - 11.9339 *kt²+ 2.3852 *kt + 0.8436 ) *Rg 0.56 1930.01

59
Referencias

Boletín IIE, (2008) Laboratorio Nacional para la Evaluación de los Recursos Energéticos
Renovables en México (LERM). Consultado en enero del 2013.
http://www.iie.org.mx/boletin022008/breves05.pdf

Chikh, M., A. Mahrane, M. Haddadi. ( 2012) Modeling the Diffuse Part of the Global Solar Radiation
in Algeria, Energy Procedia, Vol.18; 1068-1075.

Dincer, I. (2000). Renewable energy and sustainable development: a crucial review. Renewable and
Sustainable Energy Reviews, Vol. 4: 157-175

Ediger, V.Ş. and Kentel, E. (1999) Renewable energy potential as an alternative to fossil fuels in
Turkey, Energy Conversion and Management, Vol. 40 (7); 743-755.
El-Sebaii A. A. and A. Terabia. (2003) Estimation of horizontal diffuse solar radiation in Egypt.
Energy Conversion & Management, Vol. 44. Pag. 2471-2482
(Energía Solar CIE, 2005) Visión a Largo Plazo Sobre la Utilización de las Energías Renovables en
México, consultado en http://www.sener.gob.mx/webSener/res/168/A6_Solar1.pdf

Erbs D.G, Klein S.A., and Duffie J.A. (1982). Estimation of the diffuse radiation fraction for hourly,
daily and monthly-average global radiation. Solar Energy, Vol. 4: 293–302.
Gopinathan K.K., Soler A. (1995) Diffuse radiation models and monthly average, daily, diffuse data
for a wide latitude range. Energy; Vol. 20(7) 1995: 657–67.
Gopinathan K.K.(1988), A general formula for computing the coefficients of the correlation connecting
global solar radiation to sunshine radiation. Solar Energy Vol. 41 (6); 499-502.
Hernández, E., Tejeda, A., Reyes, S. (1991). Atlas solar de la República Mexicana. Universidad
Veracruzana y Universidad de Colima, Xalapa, Veracruz (Mexico), 155p.
Huashan Li, Weibin Ma, Xianlong Wang, Yongwang Lian(2011). Estimating monthly average daily
diffuse solar radiation with multiple predictors: A case study, Renewable Energy, Vol. 36, (7),
2011;1944-1948.
Haydar A, Balli O, Hepbasli A.(2006) Global solar radiation potential, Part 2: Statistical analysis.
Energy Sources; Vol.1, 2006; 317–26.
ISO-9060 Standard & Pyranometer Measurement Accuracy (2013). Consultado en enero del 2013
http://ases.conference-services.net/resources/252/2859/pres/SOLAR2012_0829_presentation.pdf

60
Kipp & Zonen (2013)a. Instruction manual Kipp and Zonen, Piranometers CMP-11. Consultado en
enero del 2013
http://www.kippzonen.com/?download/355282/CMP+6,+CMP+11,+CMP+21,+CMP+22+Pyranom
eters+-+Spanish+Manual.aspx

Kipp & Zonen (2013)b. Instruction manual Kipp and Zonen, Shadow Ring CM121. Consultado en
enero del 2013 http://www.kippzonen.com/?download/46162/CM+121+B+C+Shadow+Ring+-
+Manual+.aspx

Lam JC, Li DHW. (1996). Correlation between global solar-radiation and its direct and diffuse
components. Building and Environment; Vol.31 (6), 1996; 527–35.
Linacre, E. (2005) Climate Data and Resources, a Reference and Guide. New York, ROUTLEDGE;
319 p.
Liu BYH, Jordan RC. (1960)The inter-relationship and characteristic distribution of direct, diffuse and
total solar radiation. Solar Energy; Vol.4(3); 1-19.
Llasat, M.C. y Snyder, RL. (1998). Data error effects on net radiation and evapotranspiration
estimation. Agricultural and Forest Meteorology. Vol. 91; 209-221
Louche A, Notton G, Poggi P, Simonnot G. (1998). Correlations for direct normal and global
horizontal irradiations on a French Mediterranean site. Solar Energy; Vol. 46(4); 261–266.
OPEX Energy, (2010) Fotovoltaica; principio de funcionamiento, consultado en enero del 2013
http://www.opex-energy.com/fotovoltaica/funcionamiento_fotovoltaica.html

Orgill JF, Hollands KGT. (1977). Correlation equation for hourly diffuse radiation on a horizontal
surface. Solar Energy ; Vol.19(4); 357–359.
Posadillo R., R. López Luque. (2009).Hourly distributions of the diffuse fraction of global solar
irradiation in Córdoba (Spain), Energy Conversion and Management, Vol. 50, 2009; 223-231.
Reindl DT, Beckman WA, Duffie JA. (1990). Evaluation of hourly tilded surface radiation models.
Solar Energy 1990; Vol.45; 9–17.
Roderick ML. (1999). Estimating the diffuse component from daily and monthly measurements of
global radiation. Agricultural and Forest Meteorology; Vol.95; 169–85.
Singh, J.; Bhattacharya, B. K.; Kumar, M; Mallick, K.(2011) Modelling monthly diffuse solar radiation
fraction and its validity over the Indian sub-tropics, International Journal of Climatology, Vol. 33, issue
1, pp. 77-86

61
Spencer JW. (1982). A comparison of methods for estimating hourly diffuse solar radiation from
global solar radiation. Solar Energy; Vol. 29(1); 19–32.
Spitters CJT, Toussaint HAJM, Goudriaan J. (1986). Separating the diffuse and direct component of
global radiation and its implication for modeling canopy photosynthesis Part I. Components of
incoming radiation. Agriculture For Meteorology;Vol. 38; 217–29.
SMN (2013). Información y catálogo EMAS, consultado en enero del 2013.
http://smn.cna.gob.mx/emas/catalogoa.html
Tiris M, Tiris C, Ture IE. (1996). Correlations of monthly-average daily global, diffuse and beam
radiations with hours of bright sunshine in Gebze, Turkey. Energy Conversion Management; Vol.
37(9): ;1417–1421.
Torres J.L., De Blas M., García A., de Francisco A. (2010). Comparative study of various models in
estimating hourly diffuse solar irradiance, Renewable Energy, Vol. 35 (6); 1325-1332.
Ulgen K, Hepbasli A. (2009). Diffuse solar radiation estimation models for Turkey’s bigcities. Energy
Conversion and Management; Vol. 50(1); 149-156.
Vignola F, McDaniels DK. (1986). Beam-global correlations in the Northwest Pacific. Solar Energy;
Vol. 36(5): 409–418.
WMO (2008). WMO Guide to meteorological instruments and methods of observation. WMO-No. 8.
Consultado en enero del 2013
http://www.wmo.int/pages/prog/www/IMOP/CIMO-Guide.html

Wu GF, Liu YL, Wang Tj. (2007). Methods and strategy for modeling daily global solar radiation with
measured meteorological data – A case of study in Nanchang station, China. Energy Conversion
and Management; Vol. 35: Pag.2447-52.
Zhou Jin, Wu Yezheng, Yan Gang. (1999).Estimation of daily diffuse solar radiation in China,
Renewable Energy. Vol.29 ( 9); 1537-1548.

62

Potrebbero piacerti anche