La previsión de las condiciones meteorológicas es importante, por ejemplo, para la operación de plantas de energía hidráulica y para la gestión de inundaciones. Se sabe que los modelos mecanicistas son computacionalmente exigentes. Por tanto, es de interés desarrollar modelos que puedan predecir las condiciones meteorológicas más rápidamente que los modelos meteorológicos tradicionales. Un desafío con la integración de las energías renovables en la red es que su generación de energía es intermitente e incontrolable. Por lo tanto, es importante predecir la generación renovable futura, ya que la red debe enviar generadores para satisfacer la demanda a medida que varía la generación. Si bien el desarrollo manual de modelos de predicción sofisticados puede ser factible para granjas solares a gran escala, desarrollarlos para generación distribuida en millones de hogares en toda la red es un problema desafiante. El campo del aprendizaje automático ha recibido mucho interés por parte de la comunidad científica. Debido a su aplicabilidad en una variedad de campos, es interesante estudiar si una red neuronal artificial puede ser un buen candidato para la predicción de condiciones climáticas en combinación con grandes conjuntos de datos. La disponibilidad de datos meteorológicos de múltiples fuentes en línea es una ventaja.
2. Herramientas:
a. Redes neuronales artificiales:
Una red neuronal artificial es una colección de neuronas que son pequeñas unidades computacionales que imitan superficialmente la forma en que funcionan las neuronas en la naturaleza.
Una red neuronal artificial es un grupo interconectado de nodos similar a la vasta red de neuronas en un cerebro biológico. Cada nodo circular representa una neurona artificial y cada flecha representa una conexión desde la salida de una neurona a la entrada de otra.
- Imagen1.png (36.71 KiB) Visto 100 veces
La regresión lineal de mínimos cuadrados es una técnica simple y de uso común para estimar la relación entre una variable dependiente o de respuesta, por ejemplo, la intensidad solar, y un conjunto de variables independientes o predictores. La regresión minimiza la suma de las diferencias cuadradas entre la intensidad solar observada y la intensidad solar predicha por una aproximación lineal de las métricas meteorológicas previstas. La aplicación del método de mínimos cuadrados lineales a los ocho meses de datos de entrenamiento produce el modelo de predicción a continuación, con coeficientes para cada métrica.
3. Resultados:
1) Se utilizó solo datos de temperatura. Esto constituye un modelo de red neuronal autorregresiva (AR-NN). La figura muestra los resultados de la predicción del conjunto de prueba utilizando cada uno de los cuatro modelos (de 1, 3, 6 y 12 horas), junto con las medidas de referencia. Hay un cambio repentino en la temperatura medida en el intervalo de tiempo 36 a 42 en el equipo de prueba. Los modelos con horizontes de predicción de 1 y 3 horas muestran una respuesta oscilante a este rápido cambio. Sin embargo, todavía están más cerca de los datos medidos que los modelos con horizontes de predicción más largos. En el tiempo 8 al 20, el modelo de 12 horas es significativamente más pobre que los modelos de 1, 3 y 6 horas. Una razón plausible para esto podría ser que los modelos responden a los datos proporcionados y el modelo de 12 horas usa datos que son 12 horas antes de la medición. Entonces, en el momento 7 el modelo de 12 horas comenzó a aumentar, y en el momento 15 se aplana, probablemente porque el algoritmo usó los datos en el momento 3 y midió que los datos comenzaron a girar, por lo que un modelo de predicción debería “ralentizarse”.
- fig2.png (67.91 KiB) Visto 100 veces
- fig4.PNG (22.77 KiB) Visto 100 veces
- fig3.png (22.02 KiB) Visto 100 veces
1) En este trabajo, se utilizan redes neuronales artificiales para predecir la temperatura. Se entrenaron cuatro modelos separados para predecir la temperatura 1, 3, 6 y 12 horas antes. A pesar de que los 4 modelos han predicho muy bien la temperatura, todos los modelos muestran un deterioro significativo en las predicciones cuando la temperatura cambia rápidamente.
2) Los modelos de predicción anteriores para la captación de energía solar se han basado principalmente en el pasado inmediato. Desafortunadamente, estos métodos no pueden predecir los cambios en los patrones climáticos de antemano. Se encuentra que el modelo derivado usando mínimos cuadrados lineales supera a los modelos de predicciones del pasado y a un modelo simple basado en pronósticos de condiciones del cielo de trabajos anteriores y es un área prometedora para aumentar la precisión de la predicción de generación de energía solar, que es esencial para aumentar la fracción de energías renovables en la red. En el futuro, se planea usar este modelo de predicción para adaptar mejor la generación renovable al consumo tanto en hogares inteligentes como en centros de datos que utilizan paneles solares para generar energía.
5. Referencias:
a. https://ieeexplore.ieee.org/abstract/document/6102379
b. https://ep.liu.se/ecp/153/024/ecp18153024.pdf