En profundidad Modelos de pronóstico de producción fotovoltaica para su aplicación en edificios de consumo de energía casi nulo en la Base Naval de Rota Autor: Ignacio Guerrero Fuentes, Armada Española / Ministerio de Defensa. Palabras clave: Pronóstico energía fotovoltaica, nZEB, EECN, inteligencia artificial, redes neuronales artificiales, máquina de soporte vectorial, técnicas híbridas. Metas Tecnológicas relacionadas: MT 3.2.3. Introducción En un mundo acosado por el deterio-ro del medio ambiente y por el cambio climático, se impone cada vez con más fuerza una revisión del modelo ener-gético. Muy probablemente esta tran-sición pasará por sustituir los grandes centros productores alejados de los consumidores, por centros de gene-ración más cercanos a los receptores, o incluso instalaciones generadoras mucho más pequeñas, ubicadas en los mismos edificios a los que alimentan. En este punto es donde adquiere sen-tido hablar de los edificios de consumo de energía casi nulo (EECN o nZEB por sus siglas en inglés). Los orígenes normativos de los EECN se remontan al año 2010, concreta-mente a la Directiva 2010/31/UE del Parlamento Europeo y del Consejo de 19 de mayo de 2010, relativa a la eficiencia energética de los edificios 1. En esta normativa, en su artículo 2, se define el edificio de consumo de energía casi nulo como un edificio con un nivel de eficiencia energética muy alto, y que esa cantidad casi nula o muy baja de energía requerida debería estar cubierta, en muy am-plia medida, por energía procedente de fuentes renovables, incluida aquí la energía producida in situ o en el entorno. Asimismo, el artículo 9 de esa misma normativa propone unas fechas límite para que los estados miembros aseguren la implementa-ción de estos edificios. Estas fechas son el 31 de diciembre de 2018, y el 31 de diciembre de 2020, para edifi-cios nuevos de titularidad pública, y privada respectivamente 1. Una de las líneas de investigación que se abren en la consecución del objeti-vo central de desarrollar sistemas de gestión energética para los EECN, es el diseño de modelos de pronóstico de producción de energía fotovoltaica. Son muchos los investigadores que han dedicado sus esfuerzos en este tema en particular 2. La mayoría de los estudios recientes en este área se han centrado en investigar modelos de predicción directo de energía fotovol-taica, es decir, aquellos que permiten realizar el pronóstico de la producción fotovoltaica a partir de unos paráme-tros de entrada al modelo, como pue-den ser los datos meteorológicos; en el lado opuesto están los indirectos, que tratan de pronosticar la irradiancia solar a partir de diferentes métodos y parámetros, para posteriormente cal-cular la producción solar empleando programas comerciales de simulación de energía fotovoltaica. Estas investigaciones han condu-cido al desarrollo de modelos de pronóstico materializados a través de diferentes métodos, como son el de persistencia, el de promedio móvil auto-regresivo (ARMA), el de regre-sión, o el modelo físico, entre otros. En el desarrollo de estos modelos des-tacan los de aprendizaje automático, entre los cuales, los más importantes son los métodos de redes neuronales artificiales (ANN), y el de máquina de soporte vectorial (SVM). No podemos olvidar en esta relación los modelos híbridos, los cuales aúnan las ventajas de los métodos hibridados, y minimi-zan los problemas que pudieran tener cada uno de ellos por separado. Desarrollo del estudio Modelos de pronóstico de produc-ción fotovoltaica • Modelos de persistencia: Es un modelo de pronóstico muy ele-mental. En este modelo, la poten-cia de salida pronosticada es igual a la potencia de salida real del día anterior. Solo se requiere datos históricos de salida de potencia fo-tovoltaica para pronosticar la ener-gía generada. Su precisión baja mucho con la inestabilidad climá-tica, por lo que no suele emplearse como modelo de pronóstico, sino más bien como patrón para medir el rendimiento de otros modelos. • ARMA / ARIMA: El modelo de promedio móvil auto-regresivo (ARMA), es un método lineal para el modelado estadístico, muy útil para correlacionar datos históricos de series de tiempo. Este método puede incorporar diferentes tipos de datos de series de tiempo y ex-traer propiedades estadísticas de ellos. La debilidad de este modelo es que los datos de series de tiem-po deben ser estacionarios. ARIMA es una mejora de ARMA con una capacidad adicional para manejar datos de series de tiempo no estacionarios. Obtiene mejo-res pronósticos que su antecesor cuando el patrón climático que se Fig. 1. Esquema tipo de redes neuronales: a) Neurona artificial, y b) Red neuronal con una capa oculta. (Fuente: 2). Boletín de Observación Tecnológica en Defensa n.º 59. Cuarto trimestre 2018 21
BOT_59
To see the actual publication please follow the link above