Resumen

La generacin de energa fotovoltaica depende en gran medida de la radiacin solar, que es de naturaleza variable e impredecible. Por ello, la produccin de electricidad a partir de energa fotovoltaica no puede garantizarse permanentemente durante la fase de explotacin. La previsin de la radiacin solar global puede desempear un papel clave para superar este inconveniente de la intermitencia. Este trabajo propone un nuevo mtodo hbrido basado en algoritmos de aprendizaje automtico (ML) y en la tcnica de clasificacin diaria para predecir con 1h de antelacin la radiacin solar global en la ciudad de vora. En primer lugar, se han realizado varios estudios comparativos entre random forest (RF), gradient boosting (GB), support vector machines (SVM), y artificial neural network (ANN). Estas comparaciones se realizaron utilizando conjuntos de pruebas anuales, estacionales y diarias con el fin de determinar el mejor algoritmo ML en diferentes condiciones meteorolgicas. Posteriormente, se ha aplicado la tcnica de clasificacin diaria para clasificar el conjunto de entrenamiento original en subconjuntos de entrenamiento soleados y nublados con el fin de mejorar la precisin de la prediccin. La evaluacin de los algoritmos ML propuestos se llev a cabo utilizando el error cuadrtico medio normalizado (nRMSE) y el error medio absoluto normalizado (nMAE). Los resultados de la comparacin estacional muestran que el modelo RF obtiene buenos resultados para las estaciones de primavera y otoo, con un nRMSE igual al 22,53% y al 23,42%, respectivamente. Mientras que el modelo SVR da buenos resultados para las estaciones de invierno y verano con nRMSE iguales al 24,31% y 8,41%, respectivamente. Adems, la comparacin diaria demuestra que el modelo RF obtiene buenos resultados para los das nublados con nRMSE=41,40%, mientras que el modelo SVR da buenos resultados para los das soleados con nRMSE=8,88%. Los resultados muestran que la tcnica de clasificacin diaria mejora la precisin de previsin de los modelos ML. Adems, este estudio demuestra que la precisin de previsin de los algoritmos ML depende significativamente de las condiciones del cielo.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Radiación solar; Generación de energía fotovoltaica; Algoritmos de aprendizaje automático; Previsión de la radiación solar global; Condiciones meteorológicas; Precisión de la previsión
• Keywords:Solar radiation; Photovoltaic power generation; Machine learning algorithms; Global solar radiation forecasting; Meteorological conditions; Forecasting accuracy