Tecnología semi-online para la previsión de la irradiación solar a corto plazo en plantas fotovoltaicas

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

Científicos españoles han creado una técnica semionline para predecir la irradiancia solar en diferentes lugares dentro de una planta fotovoltaica. El método de entrenamiento propuesto se describe como adecuado para la predicción de series temporales altamente variables.

Investigadores de la Universidad de Sevilla (España) han desarrollado un novedoso algoritmo de aprendizaje automático para pronosticar la irradiancia solar a muy corto plazo. Su información se basa en el preprocesamiento de datos de sensores, utilizando análisis de correlación temporal y espacial del movimiento de las nubes.

“La previsión a corto o muy corto plazo de la producción eléctrica podría ayudar en áreas como la monitorización en tiempo real del sistema, la fijación de precios de la electricidad o la prevención de sobrecargas del sistema”, afirman. “Otra motivación reside en el ámbito regulatorio. Un número cada vez mayor de países exige que los generadores eólicos y fotovoltaicos proporcionen lo que se conoce como servicios auxiliares, que son actividades fundamentales para el funcionamiento seguro y fiable de los sistemas eléctricos”.

El conjunto de datos utilizado para el desarrollo del modelo procedía de un repositorio en línea del parque solar de 5 MW de Alderville, en el sureste de Canadá. En concreto, estaba formado por 24 paneles solares fotovoltaicos que proporcionaban datos de irradiancia cada 1 ms en días con nubosidad variable y muy variable.

Como el grupo de investigación se centró en horizontes de predicción de 15 s y 30 s, creó un análisis de correlación para comprender las relaciones entre los paneles en diferentes momentos. Para ello, examinaron la correlación de la irradiancia medida de cada panel con todos los demás paneles. Luego evaluaron la correlación con distintos desfases de tiempo.

“Los paneles más próximos entre sí muestran correlaciones más altas, ya que están influenciados por los mismos patrones de nubes, mientras que los paneles situados en los extremos del eje de dirección del viento muestran correlaciones más bajas debido a su posicionamiento dentro del gradiente de evolución de las nubes”, explicó el equipo.

Teniendo en cuenta el desfase temporal y la correlación de los paneles, los investigadores introdujeron los datos en tres técnicas de aprendizaje automático: eXtreme Gradient Boosting (XGB), Light Gradient Boosting Machine (LGBM) y Random Forest (RF). “El sistema se denomina semionline porque la inferencia se realiza en tiempo real, pero el entrenamiento del modelo no se realiza de forma incremental con cada instancia, sino que se entrena con lotes muy pequeños de instancias”, enfatizaron los investigadores.

“Con LGBM se han obtenido resultados ligeramente superiores a los de XGB y RF, aunque las diferencias no son significativas”, añaden. “En el día muy variable, se obtuvo un error porcentual absoluto medio (MAPE) de 4,411 en el escenario más desfavorable (horizonte de previsión de 30 s en el grupo situado aguas arriba) y de 2,483 en el escenario más favorable (horizonte de previsión de 15 s en el grupo situado aguas abajo)”.

De cara al futuro, los académicos planean determinar con precisión hasta qué punto en el futuro el sistema puede proporcionar resultados precisos y analizar la capacidad de respuesta del sistema a cambios abruptos en la dirección del viento.

Sus hallazgos fueron presentados en “ Algoritmos de conjunto de árboles de decisión en tiempo semireal para pronósticos de irradiancia solar a muy corto plazo” , publicado en el International Journal of Electrical Power and Energy Systems.