Page 22

BOT_59

En profundidad Fig. 2. Gráfica que representa la elevada correlación entre la radiación solar y la energía fotovoltaica producida. (Fuente: 2). predice es irregular. Sin embargo, en comparación con ARMA, ARIMA es más exigente desde el punto de vista del coste computacional debi-do a la inclusión de una función de suma e integración en el método. • Modelo de regresión: Se trata de un método estadístico utilizado para establecer una relación entre variables explicativas y variables dependientes; la variable depen-diente se pronostica conociendo las variables explicativas. En el caso de predicción fotovoltaica, la potencia fotovoltaica pronosti-cada se considera como una va-riable dependiente, y las variables meteorológicas se consideran como variables explicativas. Se tienen dos modelos de regresión diferentes: las regresiones lineales simples, y las múltiples. El modelo de regresión que utiliza irradiancia solar y temperatura como datos de entrada obtuvo mejores resultados en comparación con el método que emplea uno solo de ellos. Se requiere un modelo matemático y varias variables explicativas para diseñar un modelo de pronóstico basado en regresión. A veces esto dificulta la aplicación del método. • Método físico: Consiste en un con-junto de ecuaciones matemáticas que describen el estado físico y el movimiento de la atmósfera. Se di-señan en función de las caracterís-ticas de la planta fotovoltaica, como pueden ser su ubicación, las varia-bles meteorológicas y la orientación. El rendimiento de las predicciones se ve afectado en gran medida por los cambios bruscos en las con-diciones meteorológicas. Mejoran sustancialmente hibridado con in-teligencia artificial. No obstante, de-ben diseñarse específicamente para una planta y ubicación en particular. • Redes neuronales artificiales (ANN): ANN es uno de los méto-dos más eficaces y populares entre los investigadores desde los años ochenta. Se ha empleado en dife-rentes aplicaciones de predicción con bastante éxito, incluida la pre-dicción de la generación de energía fotovoltaica. Tolera bien la falta de linealidad en los datos meteoroló-gicos. ANN es más adecuado en comparación con los métodos es-tadísticos cuando existe una vincu-lación no lineal entre los datos. Las ANN están constituidas por elementos que se comportan de manera similar a la neurona biológi-ca en sus funciones más comunes. Son capaces de aprender de la ex-periencia, generalizan de ejemplos previos a ejemplos nuevos, y abs-traen las características principales de una serie de datos. La estructura básica es la neurona, la cual recibe y combina señales desde y hacia otras neuronas. La neurona es el elemento procesador. Un red neuronal consiste en un conjunto de unidades elementales (neuronas) conectadas de una for-ma concreta. Tan relevante es el modelo del elemento procesador como la forma en la que se conec-tan estos elementos. En una red neuronal artificial pueden distin-guirse: una capa de entrada, don-de se presenta los datos a la red; unas capas ocultas cuyo número dependerá de la complejidad de la red; y la capa de salida, que como se puede suponer, muestra los re-sultados. En la figura 1 podemos ver: a) el modelo de una neurona artificial, y b) una red neuronal arti-ficial con una capa oculta. • Máquina de soporte vectorial (SVM): Se trata de un método super-visado de aprendizaje automático basado en el principio de minimiza-ción de riesgos estructurales. Fue desarrollado para resolver proble-mas de clasificación. Sin embargo, este método se ha extendido recien-temente al dominio de los problemas de regresión. La aplicación de SVM en la regresión de series temporales se conoce como regresión vectorial de soporte (SVR). El pronóstico de la generación de energía fotovoltaica es un problema típico de análisis de series de tiempo, por lo que SVR es un método que puede ser empleado para el fin que se explica en esta co-municación. • Modelos híbridos: Una de las principales motivaciones de estos modelos es explorar las posibles combinaciones de diferentes topo-logías para mejorar la precisión del pronóstico. Los modelos híbridos pueden aprovechar la ventaja de cada tipo individual y minimizar o in-cluso eliminar sus inconvenientes. En general, los modelos híbridos han logrado mejores resultados que las técnicas independientes para resolver el problema de pronóstico de energía fotovoltaica. Correlación de parámetros, trata-miento previo de datos y optimiza-ción del modelo • Correlación de parámetros: El rendimiento de un modelo de pro-nóstico depende en gran medida de la correlación de los valores de entrada y salida del modelo. En este caso, las diferentes entradas me-teorológicas que podemos tener, como la irradiancia solar, la tempe-ratura atmosférica, la temperatura 22 Boletín de Observación Tecnológica en Defensa n.º 59. Cuarto trimestre 2018


BOT_59
To see the actual publication please follow the link above