Resumen

Este artículo presenta una evaluación del enfoque basado en redes neuronales artificiales (RNA) para la predicción de la radiación solar horaria. Se utilizaron cuatro topologías de RNA: una generalizada (GRNN), una de retropropagación hacia delante (FFNN), una de retropropagación hacia delante en cascada (CFNN) y una de retropropagación de Elman (ELMNN). Los tres valores estadísticos utilizados para evaluar la eficacia de las redes neuronales fueron el error porcentual medio absoluto (MAPE), el error de sesgo medio (MBE) y el error cuadrático medio (RMSE). Los resultados de la predicción muestran que la GRNN supera a los demás métodos propuestos. Los valores medios de MAPE, MBE y RMSE con GRNN fueron 4,9%, 0,29 y 5,75%, respectivamente. Las eficacias de FFNN y CFNN fueron aceptables en general, pero su valor predictivo se degradó en condiciones de mala radiación solar. Los valores medios del MAPE, MBE y RMSE utilizando el FFNN fueron del 23%, -.09 y 21,9%, respectivamente, mientras que los valores medios del MAPE, MBE y RMSE utilizando CFNN fueron 22,5%, -19,15 y 21,9%, respectivamente. ELMNN fue el peor de los métodos propuestos en la predicción de la radiación solar horaria, con unos valores medios de MAPE, MBE y RMSE del 34,5%, -11,1 y 34,35%. El uso del GRNN para predecir la radiación solar en todas las condiciones climáticas arrojó resultados muy precisos y eficientes.

• Materias:Energía solar Fotoquímica Fotocatálisis Nanoestructuras Biofotónica
• Subjects:Solar energy Photochemistry Photocatalysis Nanostructures Biophotonics
• Palabras claves:mbe, valores medios, grnn, mape, rmse, ffnn, forward backpropagation, predicción de la radiación solar horaria, error medio porcentual absoluto, malas condiciones de radiación solar
• Keywords:mbe, average values, grnn, mape, rmse, ffnn, forward backpropagation, hourly solar radiation prediction, mean absolute percentage error, poor solar radiation conditions