Page 24

BOT_59

En profundidad Fig. 5. Diagrama de flujo del modelo propuesto. (Fuente propia). Base Naval de Rota. Se trata este de un edificio de uso administra-tivo, de dos plantas: planta baja con 3.296,68 m2; y planta primera con 1.576,07 m2. Dispone en su cu-bierta de una planta fotovoltaica de 31,2 kWp, totalmente monitorizada, por lo que se dispone de datos his-tóricos de irradiancia solar, produc-ción fotovoltaica, temperatura am-biente y temperatura de panel. En la figura 3 se aprecia el campo solar instalado en el edificio REM. • Modelo propuesto: El método que se propone para diseñar un mo-delo de predicción de producción fotovoltaica para el citado edificio es el de redes neuronales artificia-les, del tipo perceptrón multicapa, al que se aplicará, además de un tratamiento previo de los datos (normalización), una optimización del modelo, empleando para ello un algoritmo basado en enseñanza – aprendizaje, el denominado Tea-ching Learning Based Optimization 3 (TLBO, por sus siglas en inglés). La programación del modelo se realizará en el programa MATLAB / SIMULINK. El TLBO es un algoritmo de optimi-zación global estocástico, basado en poblaciones y orientado a proble-mas de amplia escala. La novedad que aporta este algoritmo respecto a otros de inteligencia evolutiva es que no necesita parámetros de control específicos, solo precisa de los pa-rámetros de control comunes, como población y número de generacio-nes. Esto supone una ventaja, debido a que la correcta elección de esos parámetros específicos en otros al-goritmos supone un problema de optimización en sí mismo. A conti-nuación se muestran algunas de las expresiones que emplea el algoritmo. Fase de aprendizaje: Fase de enseñanza: Si X’total-P,i < X’total-Q,i Si X’total-Q,i < X’total-P,i Como puede verse en la figura 4, los vectores de entrada al modelo serán la irradiancia (Ir), la temperatura am-biente (Tª) y la temperatura del pa-nel (Tª panel). La salida de esta red neuronal será el vector Pi, el cual se comparará con el vector Ri, que no es otro que el histórico de produc-ción fotovoltaica. La función objetivo del algoritmo TLBO será la diferencia entre los vectores Pi y Ri. Es decir, el algoritmo TLBO tratará de mini-mizar esta diferencia modificando los pesos y los umbrales de la red neuronal. De los datos disponibles en un año de cada vector implicado (8.760), se tomarán el 70% de ellos para entrenar a la red, y el 30% res-tante para su validación. En la figura 5 puede observarse el dia-grama de flujo del modelo propuesto. Conclusiones Habida cuenta de las inversiones realizadas hasta el momento en la Base Naval de Rota con la instalación de plantas fotovoltaicas en algunos de sus edificios, cabe esperar que el desarrollo de modelos de gestión de la energía, y por tanto, la mejo-ra de los modelos de pronóstico de producción fotovoltaica, redunde en beneficios económicos y medio am-bientales para las Fuerzas Armadas. En este sentido se redacta este artícu-lo, limitándose, como se ha indicado al principio, a los modelos de pronóstico de producción fotovoltaica, incorpo-rando como novedades el empleo de la temperatura de módulo como pará-metro de entrada al modelo, y del al-goritmo de optimización TLBO. Referencias 1 Directiva 2010/31/UE del Parla-mento Europeo y del Consejo del 19 de mayo del 2011 relativa a la eficien-cia energética en los edificios (Refun-dición). 2 Das, Utpal Kumar; Tey, Kok Soon; Seyedmahmoudian, Mehdi; et ál. Fo-recasting of photovoltaic power ge-neration and model optimization: A review Renewable and Sustainable Energy Reviews Volumen:81 Páginas: 912-928 Subdivisión: 1 Fecha de pu-blicación: enero 2018. 3 R. Ventaka Rao. Teaching Learning Based Optimization Algorithm and its engineering applications. Springers (2016). 24 Boletín de Observación Tecnológica en Defensa n.º 59. Cuarto trimestre 2018


BOT_59
To see the actual publication please follow the link above