Resumen

En este trabajo se desarrolla un novedoso método de previsión de energía solar para particulares y pequeñas empresas basado en técnicas de aprendizaje automático, procesamiento de imágenes y clasificación acústica. El aumento de la producción de energía solar a nivel de consumidor requiere sistemas de previsión automatizados para minimizar las pérdidas, los costes y el impacto medioambiental de los hogares y las empresas que producen y consumen energía (prosumidores). Estos nuevos participantes en el mercado energético, los prosumidores, requieren nuevas técnicas de ajuste del rendimiento de las redes neuronales artificiales (RNA) para crear previsiones RNA precisas. El enmascaramiento de entradas, una técnica de ajuste de RNA desarrollada para la clasificación de señales acústicas y la detección de bordes de imágenes, se aplica a los datos solares de prosumidores para mejorar la precisión de las previsiones de prosumidores con respecto a las técnicas tradicionales de ajuste de rendimiento de RNA de macrorredes. Las entradas de la RNA adaptan el enmascaramiento de la hora del día basándose en la agrupación de errores en el dominio temporal. Los resultados muestran una mejora de la correlación entre la predicción y el objetivo, el valor R2, que reduce la inexactitud de las predicciones de muestra en un 14,4%, con las correspondientes reducciones del error medio medio de 5,37 y un error cuadrático medio del 6,83%.

• Materias:Impacto ambiental Evaluación de impacto ambiental Energía fotovoltaica Cable eléctrico Cable eléctrico submarino energizado
• Subjects:Environmental impact Environmental impact assessment Photovoltaic energy Electric cable Energized submarine power cable
• Palabras claves:tiempo de adaptación de las entradas ann, nueva red neuronal artificial, técnicas tradicionales de ajuste del rendimiento de la macrored ann, técnica de ajuste ann, previsiones exactas ann, técnicas de clasificación acústica, clasificación de señales acústicas, sistemas automatizados de previsión, detección de bordes de imágenes, error medio medio
• Keywords:ann inputs tailor time, new artificial neural network, traditional macrogrid ann performance tuning techniques, ann tuning technique, accurate ann forecasts, acoustic classification techniques, acoustic signal classification, automated forecasting systems, image edge detection, mean average error