Predicción de Radiación Solar basada en observaciones meteorológicas e Inteligencia Artificial
Llinet Benavides César, estudiante de doctorado de la ETSI en Topografía, Geodesia y Cartografía de la UPM, explica los resultados obtenidos en la predicción de la radiación solar durante sus estudios de doctorado.
07.11.2022
La energía solar es una fuente de energía renovable inagotable y de libre acceso en todas las regiones del planeta. Su transformación en energía fotovoltaica depende de la eficiencia de los paneles solares fotovoltaicos y de la calidad de los niveles de irradiación alcanzados en las regiones y de cómo el clima de la región afecte a su obtención. En particular la predicción de energía solar, se ha descrito como un campo en rápido avance y se está convirtiendo en un tema de investigación consolidado con abundante literatura.
Teniendo en cuenta que uno de los principales impulsores de la variabilidad solar y de la incertidumbre en las previsiones que es el cambio en la nubosidad causado por la advección de nubes, se puede considerar un fenómeno espacio-temporal. Por tanto, es natural que muchos estudios de predicción traten de captar esta dinámica, a través de métodos que aprovechan los datos solares distribuidos espacialmente para comprender y predecir mejor la variabilidad solar. Por este motivo el primer paso de la investigación ha consistido en realizar un estudio del estado del arte de estos métodos de predicción de la irradiancia desde el punto de vista espacio-temporal. Como resultado se dispone de una publicación de tipo revisión que presenta el compendio de las investigaciones evaluadas. Es un trabajo que permitió llegar a conclusiones importantes en cuanto a líneas futuras de trabajo. Retos que todavía exigen de una mayor exploración como son: los métodos espacio-temporal de predicción solar probabilísticos, métodos híbridos en la predicción a mediano y largo plazo, el empleo de grandes conjuntos de datos generados a partir de la dimensión espacial, y una mayor exploración de métodos de aprendizaje profundo diseñados para manejar de forma eficiente la distribución espacio-temporal de los datos de irradiancia solar.
En la exploración de métodos de aprendizaje profundo se ha avanzado en dos direcciones. Por una parte, la exploración de métodos de clasificación supervisada, con el fin de estimar en qué intervalo se encontrará la radiación solar usando el rango de 0 a 1300 wm-2 a intervalos de 50 y 100 wm-2. El modelo propuesto combina una capa convolucional con una capa GRU (Gated Recurrent Units por sus siglas en inglés). Este enfoque es novedoso en contraste a lo investigado y descrito en la literatura, debido a que el método propuesto se empleó para resolver un problema de clasificación y no de regresión. De otra parte, se han propuesto dos modelos de redes neuronales con mecanismos de atención, Long Short-Term Memory con atención (LSTM_A) y Gated Recurrent Units con atención (GRU_A) para la predicción de la radiación solar. Se evaluó el impacto de la frecuencia de los datos en los modelos, corroborando que las transformaciones sobre los datos tienen un coste en la calidad de la predicción del modelo.
Para aprovechar las oportunidades de investigación identificadas, se prevé trabajar en la predicción de radiación solar con métodos espacio-temporal utilizando mediciones de estaciones meteorológicas con una gran dispersión espacial y gran escala temporal, en particular, explorar formas novedosas de representación de datos y la aplicación de nuevos métodos de aprendizaje profundo.
Palabras clave
Predicción de energía solar; espacio-temporal, métodos de aprendizaje profundo, métodos híbridos.
Área de conocimiento
Enlaces de interés