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”.

No hay comentarios

Dejar una respuesta