Predicción de radiación solar en sistemas fotovoltaicos utilizando técnicas de aprendizaje automático

Resumen

La estimación de la radiación solar es fundamental para quienes participan en la planificación de granjas de energía solar, ya sean aisladas o conectadas a las redes de distribución eléctrica. Esto para el aprovechamiento de las fuentes de energía renovables, reducir el impacto producido por el cambio climático, e incrementar los índices de cobertura en el servicio eléctrico. De igual manera, el número de estaciones de medición existentes es insuficiente para cubrir toda la geografía de una región, y muchas de ellas no están capturando datos de radiación solar. Por consiguiente, es importante hacer uso de modelos matemáticos, estadísticos y de inteligencia artificial que permitan predecir la radiación solar a partir de datos meteorológicos disponibles. En este trabajo se utilizaron conjuntos de datos tomados de estaciones de medición ubicadas en las ciudades de Cali y Villavicencio, además de un conjunto de datos generado por la API World Weather Online para la ciudad de Mocoa. La razón fue realizar estimaciones de radiación solar utilizando distintas técnicas de aprendizaje automático para regresión y clasificación; el principal objetivo fue evaluar su desempeño. Aunque en la mayoría de los trabajos relacionados los investigadores utilizaron el aprendizaje profundo para la predicción de la radiación solar, este estudio demostró que, si bien las redes neuronales artificiales son la técnica más utilizada, otros algoritmos de aprendizaje automático como Random Forest, Máquinas de Soporte Vectorial y AdaBoost también proporcionan estimaciones con suficiente precisión para ser utilizados en este campo de estudio.

Palabras clave

aprendizaje automático, aprendizaje profundo, aprendizaje supervisado, modelo de predicción, radiación solar, sistemas fotovoltaicos

Biografía del autor/a

Luis Eduardo Ordoñez-Palacios

Roles: Conceptualización, Análisis Formal, Investigación, Metodología, Redacción: borrador original y Escritura: revisión y edición.

Daniel Andrés León-Vargas, M.Sc.

Roles: Análisis Formal, Investigación, y Escritura: revisión y edición.

Víctor Andrés Bucheli-Guerrero, Ph. D.

Roles: Análisis Formal, Supervisión, Validación y Escritura: revisión y edición.

Hugo Armando Ordoñez-Eraso, Ph. D.

Roles: Análisis Formal, Supervisión, Validación y Escritura: revisión y edición.

Citas

[1] A. Doval Adán, “Los grandes problemas geopolíticos del desarrollo mundial: hacia una planificación global del planeta,” in XVIII Congreso de Geógrafos Españoles 2003. https://minerva.usc.es/xmlui/handle/10347/20719

[2] Z. Li, “Global Warming: Causes and Effects,” in Southern California Conferences for Undergraduate Research, 2019. https://www.sccur.org/sccur/fall_2019_conference/poster_session_4/131

[3] M. R. Gámez, A. V. Pérez, A. M. V. Quiroz, and W. M. S. Arauz, “Mejora de la calidad de la energía con sistemas fotovoltaicos en las zonas rurales,” Revista Científica, vol. 3 (33), pp. 265-274, 2018. https://doi.org/10.14483/23448350.13104

[4] F. G. Cozman, “O futuro da (pesquisa em) inteligência artificial: algumas direções,”, Revista USP, n. 124, pp. 11-20, 2020. https://doi.org/10.11606/issn.2316-9036.v0i124p11-20

[5] H. Ordóñez, C. Cobos, and V. Bucheli, “Modelo de machine learning para la predicción de las tendencias de hurto en Colombia”, Revista Ibérica de Sistemas y Tecnologías de la Información, vol. 29, pp. 494-506, 2020.

[6] M. Haenlein, and A. Kaplan, “A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence,” California Management Review, vol. 61 (4), pp. 5-14, 2019. https://doi.org/10.1177/0008125619864925

[7] N. Premalatha, and A. Arasu, “Prediction of solar radiation for solar systems by using ANN models with different back propagation algorithms”, Journal of Applied Research and Technology, vol. 14 (3), 2016. https://doi.org/10.1016/j.jart.2016.05.001

[8] A. Qazi, H. Fayaz, A. Wadi, R. G. Raj, N. A. Rahim, and W. A. Khan, “The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review,” Journal of Cleaner Production, vol. 104, pp. 1-12, 2015. https://doi.org/10.1016/j.jclepro.2015.04.041

[9] A. K. Yadav, and S. S. Chandel, “Solar radiation prediction using Artificial Neural Network techniques: A review,” Renewable and Sustainable Energy Reviews, vol. 33, pp. 772-781, 2014. https://doi.org/10.1016/j.rser.2013.08.055

[10] M. Ozgoren, M. Bilgili, and B. Sahin, “Estimation of global solar radiation using ANN over Turkey,” Expert Systems with Applications, vol. 39 (5), pp. 5043-5051, 2012. https://doi.org/10.1016/j.eswa.2011.11.036

[11] A. Koca, H. F. Oztop, Y. Varol, and G. O. Koca, “Estimation of solar radiation using artificial neural networks with different input parameters for Mediterranean region of Anatolia in Turkey,” Expert Systems with Applications, vol. 38 (7), pp. 8756-8762, 2011. https://doi.org/10.1016/j.eswa.2011.01.085

[12] A. Rahimikhoob, “Estimating global solar radiation using artificial neural network and air temperature data in a semi-arid environment,” Renewable Energy, vol. 35 (9), pp. 2131-2135, 2010. https://doi.org/10.1016/j.renene.2010.01.029

[13] D. Li, W. Chen, S. Li, and S. Lou, “Estimation of Hourly Global Solar Radiation Using Multivariate Adaptive Regression Spline (MARS) – A Case Study of Hong Kong,” Energy, vol. 186, e115857, 2019. https://doi.org/10.1016/j.energy.2019.115857

[14] J. Liu, M. Y. Cao, D. Bai, and R. Zhang, “Solar radiation prediction based on random forest of feature-extraction», IOP Conference Series: Materials Science Engineering, vol. 658, e012006, 2019. https://doi.org/10.1088/1757-899X/658/1/012006

[15] S. Li, H. Ma, and W. Li, “Typical solar radiation year construction using k-means clustering and discrete-time Markov chain,” Applied Energy, vol. 205, pp. 720-731, 2017. https://doi.org/10.1016/j.apenergy.2017.08.067

[16] R. Meenal, and A. I. Selvakumar, “Assessment of SVM, Empirical and ANN based solar radiation prediction models with most influencing input parameters,” Renewable Energy, vol. 121, pp. 324-343, 2017. https://doi.org/10.1016/j.renene.2017.12.005

[17] M. Lazzaroni, S. Ferrari, V. Piuri, A. Salman, L. Cristaldi, and M. Faifer, “Models for solar radiation prediction based on different measurement sites,” Measurement, vol. 63, pp. 346-363, 2015. https://doi.org/10.1016/j.measurement.2014.11.037

[18] E. S. Mostafavi, S. M. Mousavi, and P. Jiao, “Next Generation Prediction Model for Daily Solar Radiation on Horizontal Surface Using a Hybrid Neural Network and Simulated Annealing Method,” Energy conversion and management, 2017. http://agris.fao.org/agris-search/search.do?recordID=US201800045628

[19] H. Sharadga, S. Hajimirza, and R. S. Balog, “Time series forecasting of solar power generation for large-scale photovoltaic plants,” Renewable Energy, vol. 150, pp. 797-807, 2020. https://doi.org/10.1016/j.renene.2019.12.131

[20] A. Rabehi, M. Guermoui, and D. Lalmi, “Hybrid models for global solar radiation prediction: a case study», International Journal of Ambient Energy, vol. 41 (1), pp. 31-40, 2020. https://doi.org/10.1080/01430750.2018.1443498

[21] C. Koo, W. Li, S. H. Cha, and S. Zhang, “A novel estimation approach for the solar radiation potential with its complex spatial pattern via machine-learning techniques,” Renewable Energy, vol. 133, pp. 575-592, 2019. https://doi.org/10.1016/j.renene.2018.10.066

[22] S. Hussain, and A. AlAlili, “A hybrid solar radiation modeling approach using wavelet multiresolution analysis and artificial neural networks,” Applied Energy, vol. 208, pp. 540-550, 2017. https://doi.org/10.1016/j.apenergy.2017.09.100