En profundidad Fig. 3. Fotografía del campo solar del edificio 2061 de la Base Naval de Rota. (Fuente: propia). del módulo, la velocidad y dirección del viento y la humedad, tienen más o menos correlación con el paráme-tro de salida, que en nuestro caso se trata de la potencia fotovoltaica; es decir, es importante conocer cuán-to de determinante son los valores de los parámetros de entrada con los valores que arroje el modelo a la salida. Tampoco se puede olvidar que la correlación puede ser posi-tiva o negativa. Las variables fuer-temente correlacionadas se deben usar como un vector de entrada al modelo de pronóstico, y los datos de aquellos vectores de entrada dé-bilmente correlacionados se deben rechazar. En el caso de modelos de pronóstico de potencia fotovoltai-ca, la irradiancia y la temperatura exterior son los más influyentes. En la figura 2 podemos observar la ele-vada correlación entre la irradiancia solar y la energía fotovoltaica. • Tratamiento previo de datos: Son muchos los modelos de pronóstico de la generación de energía fotovol-taica que han utilizado como pará-metros de entrada al modelo tanto los datos históricos de salida de energía fotovoltaica como el histó-rico de datos meteorológicos. Estos datos pueden contener picos dispa-res y componentes no estacionarios debido a las condiciones climáticas, sobre todo cuando éstas son incier-tas y cambiantes. Como resultado, estos picos y componentes no es-tacionarios en los datos de entrada conducen a errores de pronóstico. Además, las faltas en los datos histó-ricos debido a errores de grabación, o de comunicación, o de otra índo-le, también pueden provocar errores en la predicción. El procesamiento previo de los datos de entrada pue-de reducir significativamente estos problemas, además de reducir sus-tancialmente el coste computacio-nal en el proceso de aprendizaje del modelo. Por lo tanto, la precisión del modelo de pronóstico se puede mejorar considerablemente median-te el procesamiento previo de los datos de entrada. Los métodos más populares son la normalización y la transformada de Wavelet. • Optimización del modelo: Es lógi-co suponer que se debe desarrollar modelos de predicción de potencia fotovoltaica con la precisión su-ficiente como para estabilizar las operaciones de la red eléctrica, e in-crementar así el nivel de penetración de los sistemas fotovoltaicos. El ren-dimiento de los modelos de pronós-tico, especialmente de los modelos de aprendizaje automático, depende en gran medida de ciertos paráme-tros propios de cada modelo. Por ejemplo, en ANN, los umbrales y los pesos son parámetros que se deben seleccionar para el modelo; en SVR, sin embargo, los parámetros propios del modelo que habría que seleccio-nar son el factor de penalización, el radio del tubo, y el parámetro de la función kernel. El rendimiento del modelo de pronóstico está direc-tamente relacionado con la ade-cuada selección de los parámetros mencionados. En muchos casos los investigadores, en función de su experiencia, seleccionan el valor de estos parámetros por el método de prueba y error durante la etapa de aprendizaje; pero en otros casos se han empleado técnicas de opti-mización para determinar el valor óptimo. El algoritmo genético (GA) es uno de los algoritmos de inteli-gencia evolutiva más populares uti-lizados para optimizar los pesos y umbrales de los métodos de pronós-tico basados en redes neuronales. Hay otros algoritmos de optimiza-ción: algoritmo de enjambre de par-tículas (PSO), de luciérnaga (FF), o algoritmo de optimización de colo-nia de hormigas (ACO) entre otros. Propuesta de modelo para la Base Naval de Rota • Descripción de la instalación: Para desarrollar el modelo de pre-dicción fotovoltaica, se contará con las instalaciones ubicadas en el edificio 2061 (Edificio REM) de la Fig. 4. Esquema donde se aprecia la función objetivo a optimizar. (Fuente propia). Boletín de Observación Tecnológica en Defensa n.º 59. Cuarto trimestre 2018 23
BOT_59
To see the actual publication please follow the link above