Redes neuronales artificiales para estimar con más precisión la radiación solar a corto plazo

radiacion solar

Científicos de la Universidad Politécnica de Madrid (UPM) han logrado, con el apoyo de investigadores nicaragüenses, predecir la Irradiancia Solar Global a corto plazo con tasas de error inferiores al 20%. Para ello han empleado redes neuronales artificiales, introduciendo una nueva metodología basada en observaciones realizadas en paralelo por sensores colocados en distintos emplazamientos y valores para diferentes variables como la temperatura, humedad, presión o viento.

Como resultado, la investigación ha permitido generar modelos que predicen la Irradiancia Solar Global a corto plazo con tasas de error inferiores a las habituales (por debajo del 20%), lo que puede resultar muy útil a las compañías que operan las instalaciones de energía solar fotovoltaica y termosolar para estimar la capacidad de producción de sus instalaciones. Asimismo, se puede contribuir a una utilización más eficiente de los recursos naturales y a minimizar el impacto ambiental derivado del incremento en la demanda y consumo de energía.

En este contexto, la energía solar fotovoltaica se está consolidando como una de las soluciones a largo plazo con mayor potencial, más sostenible y con menor impacto. Requiere que se gestione adecuadamente la oferta y la demanda de energía, y por ello es imprescindible predecir la Irradiancia Solar Global (ISG) a unas pocas horas y con el menor error posible para estimar la producción de energía prevista.

La investigación liderada por la UPM se ha centrado precisamente en mejorar el pronóstico a corto plazo de la Irradiancia Solar Global, mediante la generación de modelos basados en redes neuronales artificiales, empleando en torno a 900 variables meteorológicas de entrada y distribuidas tanto en el espacio como en el tiempo.

Como resultado, los investigadores han señalado que han podido “predecir la Irradiancia Solar Global a corto plazo con una habilidad de pronóstico significativo y un error medio cuadrático normalizado inferior al 20% respecto al resto de modelos basados en Redes Neuronales Artificiales”. Asimismo, afirman que han podido “identificar una relación entre las ventanas temporales de predicción de 1-3 horas y 4-6 horas respecto a la distancia de referencia de 55 km, dejando abierta una línea de investigación para utilizar distintas distancias de referencia para distintas ventanas de predicción”.

Dejar una respuesta

Please enter your comment!
Please enter your name here