El aprendizaje automático predice el rendimiento energético residencial de grandes flotas de sistemas fotovoltaicos

Fuente: https://www.pv-magazine.com

Científicos holandeses han desarrollado un método de previsión de PV que utiliza el algoritmo XGBoost. Afirman que su enfoque predice los niveles de generación de electricidad con una hora de anticipación para grandes flotas de paneles solares residenciales.

Distribución de los valores de irradiancia horizontal global

Imagen: Universidad Tecnológica de Delft, Energía solar, Licencia Creative Commons CC BY 4.0

Científicos de la Universidad Tecnológica de Delft en los Países Bajos han desarrollado una técnica de aprendizaje automático (ML) para predecir el rendimiento energético en el sistema fotovoltaico en la azotea. Afirman que puede predecir los niveles de generación de electricidad con una hora de antelación.

Describieron sus hallazgos en » Pronóstico inmediato de rendimiento individual para sistemas fotovoltaicos residenciales «, que se publicó recientemente en Solar Energy. Los investigadores dijeron que el nuevo enfoque puede pronosticar la producción de energía individual de grandes flotas de sistemas fotovoltaicos. 

Su novedoso método se basa en un solo algoritmo XGBoost, que es un conjunto de árbol de decisión, algoritmo de acceso abierto que utiliza un marco de refuerzo de gradiente.

“Dado que XGBoost está hecho de una combinación de árboles de decisión, la importancia de cada característica es relativamente sencilla de calcular”, dijeron los investigadores. “Un árbol de decisiones hace predicciones dividiendo las decisiones en ramas”.

Aplicaron el algoritmo a una flota de 1102 sistemas fotovoltaicos residenciales en los Países Bajos y Bélgica. Consideraron la irradiación horizontal global (GHI), la cobertura de nubes, la velocidad del viento, la precipitación y la temperatura ambiente, basándose en los datos proporcionados por el Real Instituto Meteorológico de los Países Bajos.

Su metodología también considera el tamaño del sistema fotovoltaico, la edad, los tipos de panel, la latitud, la longitud, la inclinación del panel, la orientación, la eficiencia del inversor de decaimiento por año y las temperaturas operativas de la celda.

“Los parámetros descriptivos consisten en el día del año y el rendimiento histórico de 24, 48, 72, 96 y 120 horas antes”, dijeron los académicos, y señalaron que la empresa holandesa Solar Monkey proporcionó todos los datos del sistema. “Los datos deben prepararse adecuadamente para el modelo de aprendizaje automático a fin de obtener los mejores resultados”.

Dado un tamaño medio de sistema fotovoltaico de 4,4 kW, el algoritmo logró un error absoluto medio (MAE) de 0,877 kWh y un error porcentual absoluto medio (MAPE) del 23 % para datos horarios agregados a valores diarios.

“Las predicciones de XGBoost para sistemas fotovoltaicos individuales son, en promedio, dos veces mejores que las del software comercial utilizado actualmente”, dijeron los académicos. «A pesar de los problemas presentados, XGBoost proporciona una mejora doble con respecto al modelo analítico disponible comercialmente».