Por qué difieren dos estimaciones de producción solar y cómo conciliarlas
Dos informes de la misma planta no cuadran por un 4 %. Antes de preguntar qué herramienta se equivoca, mira la evidencia publicada sobre cuánto desacuerdo es normal — porque es más de lo que casi todo el mundo supone, y la mayor fuente individual no es el software.
Esta página es para el ingeniero que tiene que explicar una discrepancia a un comprador de proyecto, a un ingeniero independiente o a un comité de inversión. Es un procedimiento, no una defensa de ninguna herramienta. Lo publica Heliosolve; las mediciones citadas son de otros.
Cuatro capas de desacuerdo, y ninguna explica las demás
| Capa | Qué se midió | Cifra publicada |
|---|---|---|
| Entre herramientas comerciales | 7 fabricantes, fijo y monofacial, sub-horario, 1 año, clima dado | Error medio en producción anual del 2,5 % (sistema de laboratorio de 15,4 kW) subiendo al 6,0 % (planta de 14,5 MW) |
| Entre personas | 5–7 evaluadores profesionales, datos idénticos, misma planta | P50 entre 1.095 y 1.405 kWh/kWp; σ ≈ 9,7 % en terreno complejo |
| Dentro de la física concreta | Irradiancia trasera, modelos térmicos, clipping sub-horario, backtracking en terreno | Trasera rRMSE ≈21–23 % frente a ≈7 % en el frente; clipping subestimado hasta 1,5 %; ≈2 %/año por backtracking sobrescrito |
| Contra la flota en operación | >200 plantas utility-scale, ajustadas por clima | 7–13 % por debajo del P50 original en plantas construidas después de 2015 |
Las fuentes y salvedades de cada cifra están más abajo. Lo que importa de la tabla es la estructura: son cuatro huecos independientes. Cerrar el de las herramientas no cierra el de los evaluadores, y ninguno de los dos explica el de la flota.
Capa 1 — cuánto se separan las herramientas en el caso fácil
La medición de referencia se publica como una revisión de herramientas con evaluación ciega: la PV Performance Modeling Collaborative de Sandia entregó a los fabricantes el emplazamiento y los datos de clima, recogió las predicciones que ellos mismos produjeron, y solo después comparó contra la medición. Participaron siete herramientas comerciales — 3E SynaptiQ, PlantPredict, PVsyst, RatedPower, SAM, SolarFarmer y Solargis Evaluate — sobre dos sistemas: un generador de laboratorio de 15,4 kW en Albuquerque y una planta de 14,5 MW en Alemania, con resolución sub-horaria y un año de datos.
Resultado publicado: «deviations ranging from mean error in annual yield up to 2.5 % for laboratory systems, increasing to 6.0 % for utility-scale installations», atribuidas a «combined user decisions and inherent software behavior» (Deville et al., Solar Energy 304, 114207, 2026; leímos el resumen y los metadatos del editor, no el texto completo).
Dos cosas que ese estudio no dice, y las dos importan porque se citan mal a menudo:
- Este estudio no probó módulos bifaciales, ni seguidores, ni terreno. Los dos sistemas eran de inclinación fija, monofaciales y orientados al sur. El aumento del 2,5 % al 6,0 % es con la escala, no con la complejidad óptica. Sí existe otro ejercicio ciego que cubrió seguidores y bifacial, y está en la capa 2.
- No ordena las herramientas. Los residuos atribuidos a cada fabricante no son algo que se pueda extraer de una nota de prensa.
Así que, en la configuración más simple del sector y con el fichero de clima entregado, la dispersión en energía anual es de unos pocos puntos.
Y si tus dos informes incluyen seguidores o módulos bifaciales, sí hay una referencia publicada — solo que hay que citarla con cuidado. La intercomparación ciega de la PVPMC que analizan Theristis y colaboradores simuló seis sistemas en dos emplazamientos, Albuquerque (Nuevo México) y Roskilde (Dinamarca), y los escenarios se eligieron expresamente «to include fixed and tracking systems, monofacial and bifacial modules, modules representative of the current PV market and upcoming technologies, and distinctively different geographical locations/climates». Lo que no existe es una tolerancia publicada por configuración: nadie ha publicado cuánto deberían separarse dos informes de una planta con seguidor, módulo bifacial y terreno en pendiente a la vez. El IEA PVPS Task 13 corrió en 2023 un ejercicio específico de seguidor bifacial sobre siete sistemas, pero sus resultados combinados no están publicados en una forma que podamos citar (materiales del ejercicio, PVPMC). Esa distinción —hay evidencia agregada, no hay tolerancia por configuración— es lo que conviene decir en una reunión, y es más defendible que «no hay datos».
Capa 2 — el evaluador es una variable mayor que la herramienta
Este es el hallazgo que cambia cómo se conduce la conversación. IEA-PVPS Task 13 hizo un ejercicio ciego en el que cinco a siete evaluadores profesionales recibieron los mismos datos de entrada de la misma planta:
| Emplazamiento | Rango de P50 (kWh/kWp) | Rango de P90 | σ entre evaluadores | Medido |
|---|---|---|---|---|
| Bolzano, Italia | 1.095 – 1.405 | 997 – 1.274 | 9,7 % | 1.275 (2010–2019) |
| Alice Springs, Australia | 1.757 – 1.985 | 1.631 – 1.819 | 3,9 % | 2.075 inicial; 1.926 a 10 años |
Y el mecanismo, que es la parte que hay que recordar: solo la transposición de GHI al plano del generador varió entre +18,8 % y +24,6 % — «even if the yield assessors all claimed to have used the Perez model» (IEA-PVPS T13-18:2020).
El mismo nombre de modelo, los mismos datos, seis puntos de diferencia en el primer paso de la cadena. En terreno complejo, la dispersión entre personas (≈9,7 %) superó el presupuesto total de incertidumbre que declaraba cualquiera de ellas (≈6,5 %).
La intercomparación ciega independiente llega al mismo veredicto por otra vía: sobre seis sistemas en dos emplazamientos, el sesgo mediano global fue de +0,6 % en irradiación anual y −3,3 % en producción anual, y aunque el modelado ha mejorado desde la ronda de 2010, «human errors, modeling skills, and derates were found to still cause significant errors» (Theristis et al., Progress in Photovoltaics 31(11), 1144–1157, 2023; resumen).
Consecuencia práctica: la primera pregunta nunca es «qué motor tiene razón». Es «qué decidió cada evaluador».
Y hay que seguir esa lógica hasta el final, aunque a nosotros no nos convenga: si el evaluador pesa más que la herramienta, cambiar de herramienta no cierra la discrepancia. Lo que la cierra es que las decisiones queden a la vista, una a una, para poder discutirlas. Por eso el procedimiento que viene pregunta por decisiones y no por marcas — y por eso ninguna de sus siete comprobaciones nombra a un fabricante.
El procedimiento: siete comprobaciones, en este orden
No empieces por las pérdidas. Empieza por si los dos números responden a la misma pregunta.
1. La frontera de energía y el periodo
Identifica el punto de entrega — energía DC del generador, salida del inversor o energía en el punto de conexión — y el periodo. Un año histórico concreto frente a un año meteorológico típico es otra pregunta, no una discrepancia. Registra unidades, potencia de referencia (DC o AC) y si la cifra es un caso base o un percentil.
2. El fichero de clima, antes que nada
Fuente, versión del conjunto de datos, número de años, tratamiento de huecos, zona horaria y convención de marca temporal (inicio, centro o fin del intervalo). Media hora de desplazamiento en la convención aparece después como un error de orientación del seguidor. Y ojo con la trampa del año de referencia: los TMY excluyen los peores años, y por eso NREL afirma que «may be more appropriate for preliminary analysis of a system design than for financial decisions» — en sus tres casos la simulación con TMY salió por encima del P50 (Dobos, Gilman y Kasberg, NREL/CP-6A20-54488, 2012).
3. Transposición
Dada la capa 2, comprueba esto antes de tocar las pérdidas eléctricas. Qué modelo de transposición y — porque «los dos usamos Perez» resultó insuficiente — qué descomposición de la difusa, qué valor de albedo y qué tratamiento del horizonte.
4. Geometría y la planta real
Paso entre filas, GCR, cuerda, número de filas por mesa, límites del seguidor y estrategia de backtracking, modelo de terreno. Confirma que los casos comparados tienen el mismo número de módulos y las mismas potencias DC y AC. Un 1 % de diferencia en el número de módulos es un 1 % de diferencia en energía que no tiene nada que ver con la física.
5. Etapa por etapa, no totales anuales
Compara etapas equivalentes: irradiación en el plano del generador → energía DC del generador → salida del inversor → entrega a red. Si la diferencia ya existe en la irradiación, párate ahí. No sumes porcentajes de pérdidas: sus bases de referencia difieren, y una misma fila con el mismo nombre puede significar magnitudes distintas en herramientas distintas.
6. Resolución temporal
Los datos horarios subestiman el clipping. Medido: usar irradiancia horaria en vez de de un minuto subestima la pérdida por clipping en 0,4 % con ILR 1,25 y en 1,5 % con ILR 1,5; en un sistema con ILR 1,23 en San Diego, la energía recortada estimada pasó de menos del 1 % a más del 2,5 % al ir de datos horarios a datos de un segundo; en Friburgo, la eficiencia del inversor incluyendo clipping bajó del 95 % al 94 % al pasar de horario a un minuto, con un 0,5 % adicional a diez segundos (Anderson y Perry, NREL/CP-5K00-76021, 2020, recogiendo Good y Johnson 2016 y Burger y Rüther 2006; texto completo leído). Si un informe es horario y el otro sub-horario, parte de tu discrepancia es aritmética, no desacuerdo.
7. Cambia un supuesto identificable a la vez
Conserva el caso original. Investiga una diferencia, vuelve a correr y registra qué se movió. Si un efecto no se puede representar en las dos herramientas, declara una comparación parcial en vez de desactivarlo en silencio. Cuatro columnas bastan: discrepancia · causa investigada · comprobación hecha · pregunta abierta.
Dónde la física es realmente débil — y dónde no suele mirar la reunión
Las discusiones tienden a converger en porcentajes de ensuciamiento y disponibilidad. Los residuos publicados apuntan a otro sitio.
Irradiancia trasera en plantas bifaciales. Validada contra un conjunto de datos de NREL con células de referencia frontal y trasera, la RMSE relativa fue del 7,2 % (factor de vista) y 7,6 % (trazado de rayos) en la cara frontal, subiendo al 20,9 % y 22,9 % en la trasera. El sesgo difería en naturaleza: trazado de rayos −0,1 %, mientras el modelo de factor de vista subestimaba la trasera un 8,4 % (Ernst et al., Applied Energy 369, 123574, 2024; resumen). Un emplazamiento, un albedo, un tipo de estructura — pero el orden de magnitud es el mensaje: la cara trasera se modela unas tres veces peor que la frontal, con el método que elijas.
Temperatura de módulo en módulos bifaciales vidrio-vidrio. Dos estudios de 2026 convergen: para vidrio-vidrio bifacial, el coeficiente de transferencia de calor medido queda cerca de 40 W/m²K, no del 29 W/m²K por defecto de montaje libre. En Brasil el mejor ajuste fue PVsyst con Uc = 40 (RMSE 2,30 K); en Alemania, Faiman (RMSE 2,06 K) (Pfeiffer et al., Solar Energy Advances 6, 100140; Kirsten Vidal de Oliveira et al., Progress in Photovoltaics 34(1), 84–103; los dos, resúmenes). Los dos eran sistemas pequeños y fijos, no seguidores utility-scale, y los dos concluyen que la calibración específica del sitio pesa más que la región — así que 40 tampoco es un nuevo valor universal.
Backtracking sobre terreno ondulado. Sobre unos 7.000 seguidores de un eje en siete plantas utility-scale, alrededor de 1 GW, el controlador sobrescribe el ángulo ideal de backtracking para evitar el sombreado entre filas por las ondulaciones, a un coste de ≈2 % de la energía anual (0,8–2 % de irradiancia, hasta 3 % en un caso) y, lo más importante, la pérdida se esconde dentro del Performance Ratio, que es por lo que pasaba desapercibida (Santamaría-Sancho et al., Renewable Energy 267, 125734, 2026; resumen). Si has visto citado un «5 %» para este efecto, viene de la cobertura de prensa e incluye otros factores operativos.
Y la disponibilidad del seguidor, que casi nadie mide. El sector contrata disponibilidad de inversor —«generally around 99 %»— y la del seguidor se quedó fuera: históricamente «trackers have not been included in contractual KPIs as they were considered optimization components». Un trabajo de 2026 propone el KPI que faltaba y lo aplica a 64 plantas, unos 2,1 GWp de DC, el 80 % en países europeos, con series de 6 meses a 4,9 años. La disponibilidad mediana sale entre el 66 % y el 88 % según cómo se filtren los datos: mediana del 66 % contando también el periodo de backtracking, del 83 % si solo se evalúa el seguimiento central, con la planta peor en el 22 % y solo dos plantas por encima del 99 %. Los autores lo contrastan con lo que se anuncia — «industry claims sometimes even as high as 99 % availability, while the assessment of more than 2 GWp PV power plants tells us a different story» — y llaman a sus propios resultados «substantial, and alarming» (Martins et al., EPJ Photovoltaics 17, 3, 2026; acceso abierto, texto completo leído).
Dos salvedades que el propio paper pone por delante, y que hay que repetir al citarlo: los huecos de datos se cuentan como indisponibilidad —a propósito conservador, con una mediana del 11 % de datos ausentes en el caso amplio— y el ángulo de referencia se modela con el backtracking estándar de pvlib, que no reproduce la lógica propietaria del fabricante, así que parte de la brecha del caso amplio «can be partially attributed to modeling errors stemming from the lack of transparency in the control logic». Aun con esas dos concesiones, la dirección del hallazgo importa para tu informe: la disponibilidad que un estudio de producción da por supuesta está por encima de la que se mide en operación, y esa diferencia no vive en ninguna de las cuatro capas de arriba — vive en la fila «disponibilidad» que casi nadie discute.
Y el hallazgo que lo reencuadra todo: al validar la cadena de código abierto contra datos bien caracterizados, los modelos de transposición quedaron dentro de ±3 % de sesgo medio mientras que los modelos térmicos subestimaban en su mayoría la temperatura, con residuos medianos de −6,5 °C a +2,7 °C, y todos los modelos térmicos mejoraron al usar una hipótesis transitoria en vez de estacionaria. La conclusión de los autores: «system-specific data availability is more important than model selection», y usar datos de hoja de características o ficheros PAN con modelos complejos «does not guarantee better accuracy than simpler models using system-specific data» (Deville et al., Progress in Photovoltaics 32(5), 291–303, 2024; resumen).
Una nota de honestidad sobre esta lista. Los cuatro puntos de arriba son también las cuatro cosas que nosotros modelamos con más cuidado, y por eso las conocemos. Los residuos no son nuestros —están medidos y publicados por otros, con su DOI—, pero presentar la lista como un repaso neutral del campo sería hacer trampa: es donde nosotros hemos mirado. Si tu discrepancia vive en otro sitio, el procedimiento de arriba sirve exactamente igual.
Léelo como la respuesta a «qué herramienta es más precisa»: con esta evidencia, los datos que le das importan más que el modelo que eliges.
Conciliar no es validar
Dos simulaciones que coinciden pueden compartir un sesgo. La medición es la otra referencia, y su calidad exige su propia revisión — el procedimiento de validación de Sandia está construido alrededor de comparar contra datos de campo por condiciones, no contra un agregado anual (PVPMC).
La comprobación contra la flota es la humillante. Las plantas construidas después de 2015 han generado entre un 7 % y un 13 % menos que su estimación P50 original, con las plantas mayores (>50 MW) peor respecto a la suya, y escenarios P99 ocurriendo cinco veces más a menudo de lo previsto suponiendo el P50 correcto — 17 veces más una vez incluido el optimismo del P50 (kWh Analytics, Solar Risk Assessment; cifras vía resúmenes publicados, no pudimos leer los PDF primarios). Ese hueco mezcla error de modelo, degradación, disponibilidad y clima: no es evidencia sobre ningún producto de software, y quien la cite como tal, fabricantes incluidos, se está pasando.
No existe una discrepancia aceptable universal. Acuerda el alcance de la revisión y publica las diferencias que no pudiste explicar en vez de ajustar supuestos hasta que los totales cuadren. Una conciliación cuya conclusión es «queda un 4 % sin explicar, y vive aquí» vale más para un ingeniero independiente que otra que aterriza en cero.
Cómo aplicarlo a Heliosolve y PVsyst
Una evaluación en paralelo significa reconstruir las entradas en cada aplicación y revisarlas; no hay importación automática de proyectos de PVsyst, e importar un contorno de emplazamiento en KML/KMZ no es importar un proyecto. Donde las dos herramientas no puedan representar el mismo efecto, preferimos mostrar la comparación parcial.
Lo que podemos poner sobre la mesa: nuestra validación documentada contra medición cubre una sola planta, así que no valida todos los modelos ni todas las ubicaciones; no tenemos historial de aceptación por prestamistas; y los resultados de energía y económicos son estimaciones bajo tus supuestos. Mira capacidades, límites y convivencia con PVsyst antes de comprometerte con un intercambio, y qué demuestra y qué no nuestra validación.
Habla con un ingeniero y trae una discrepancia que ya tengas. Es una primera tarea más útil que una comparación de marcas.
Preguntas frecuentes
¿Cuánto deberían diferir dos estimaciones de producción FV?
No hay tolerancia estándar. En la configuración más simple — inclinación fija, monofacial, con los datos de clima entregados — siete herramientas comerciales mostraron desviaciones medias en producción anual del 2,5 % a escala de laboratorio y del 6,0 % a escala utility. La intercomparación ciega de la PVPMC sí incluyó seguidores y módulos bifaciales, en seis sistemas y dos climas, con un sesgo mediano global del +0,6 % en irradiación anual y del −3,3 % en producción anual. Lo que no existe es una tolerancia publicada por configuración: para una planta con seguidor, bifacial y terreno a la vez no hay un número que puedas citar.
¿Es más preciso PVsyst o SAM?
Las comparaciones ciegas publicadas no ordenan las herramientas de esa manera, y el trabajo de validación de código abierto concluye que la disponibilidad de datos específicos del sistema importa más que la elección del modelo. Trata «qué herramienta acierta» como la pregunta equivocada y revisa las decisiones del evaluador.
¿Por qué no cuadran informes que usan el mismo modelo?
Porque los nombres de modelo esconden decisiones. En un ejercicio ciego donde todos los evaluadores afirmaron usar el modelo de transposición de Perez, el paso de GHI al plano del generador varió entre +18,8 % y +24,6 %.
¿Los datos horarios subestiman el clipping?
Sí, y de forma medible: alrededor de 0,4 % con ILR 1,25 y 1,5 % con ILR 1,5 frente a datos de un minuto, y más con resoluciones mayores. Si un informe es horario y el otro sub-horario, parte del hueco es resolución.
¿Dónde son más débiles hoy los modelos de producción?
En la cara trasera de los generadores bifaciales (RMSE relativa ≈21–23 % frente a ≈7 % en el frente), en la temperatura de módulo de los vidrio-vidrio (Uc medido cerca de 40 W/m²K frente al 29 por defecto) y en el backtracking de seguidores sobre terreno ondulado (≈2 %/año, oculto dentro del Performance Ratio).
¿Qué disponibilidad de seguidor debería suponer un informe de producción?
No el 99 % que se anuncia. Sobre 64 plantas y unos 2,1 GWp, la disponibilidad mediana medida quedó entre el 66 % y el 88 % según el filtrado de datos, y solo dos plantas superaron el 99 %. Es un KPI nuevo y su cálculo lleva salvedades — los huecos de datos cuentan como indisponibilidad y el ángulo de referencia se modela con backtracking estándar —, pero la dirección es clara: la disponibilidad supuesta en un informe está por encima de la medida en operación.
Fuentes. Deville et al., Solar Energy 304:114207 (2026) · Theristis et al., Prog. Photovolt. 31(11) (2023) · IEA-PVPS T13-18:2020 · Deville et al., Prog. Photovolt. 32(5) (2024) · Anderson y Perry, NREL/CP-5K00-76021 (2020) · Ernst et al., Applied Energy 369:123574 (2024) · Pfeiffer et al., Solar Energy Advances 6:100140 (2026) · Kirsten Vidal de Oliveira et al., Prog. Photovolt. 34(1) (2026) · Santamaría-Sancho et al., Renewable Energy 267:125734 (2026) · Martins et al., EPJ Photovoltaics 17:3 (2026), acceso abierto · ejercicio de modelado de seguidor bifacial del IEA PVPS Task 13 (2023), materiales en PVPMC · procedimiento de validación de Sandia PVPMC · kWh Analytics, Solar Risk Assessment (vía resúmenes publicados). Donde solo pudimos leer un resumen, el texto lo dice.
PVsyst, RatedPower, PVcase, SolarFarmer, Solargis, PlantPredict, 3E SynaptiQ y SAM son marcas de sus respectivos titulares. Heliosolve no está afiliada a ninguna de ellas, ni cuenta con su respaldo o patrocinio. Los nombres de producto se usan solo para identificar los productos de los que se habla.