Investigadores de la Universidad Politécnica de Valencia han desarrollado un novedoso método para predecir la generación de energía de los sistemas fotovoltaicos.
Su novedad radica en el desarrollo de un modelo de optimización de hiperparámetros para redes neuronales artificiales feedforward (FF-ANNs) mediante técnicas de algoritmos genéticos (AGs). Los hiperparámetros son configuraciones externas establecidas antes de que comience el proceso de aprendizaje que gobiernan dicho proceso.
«Aunque la integración del aprendizaje automático y los algoritmos inteligentes ofrece un potencial significativo, todavía existen retos en la optimización de las técnicas de modelado para sistemas no lineales complejos», señaló el grupo. «El estudio, por tanto, se centra en abordar los retos que plantea predecir con precisión la generación de energía solar fotovoltaica, una tarea complicada debido a la variabilidad inherente a las fuentes de energía renovables y a la complejidad de los sistemas de potencia no lineales».
Las FF-ANN son redes neuronales artificiales (RNA) que procesan la información en una sola dirección. Lo hacen desde la capa de entrada, pasando por la capa oculta, hasta la capa de salida, mientras que las RNA convencionales permiten que la información fluya de distintas maneras, utilizando bucles de realimentación y otros mecanismos de memoria. Las FF-ANN incluyen varios hiperparámetros, como el número de neuronas, las funciones de transferencia, el peso de entrada, el peso de capa y los sesgos.
Los AG, por su parte, se utilizan antes de que se ejecute la FF-ANN para optimizar sus configuraciones. Se inspiran en los procesos de selección natural, partiendo de hiperparámetros que se definen como «padres». A continuación, éstos crean una descendencia, que es una solución al problema de optimización, y continúan creando descendientes posteriores hasta que se alcanza una solución óptima.
«La población del AG son las distintas parametrizaciones que puede asumir la RNA», explicó el grupo. «En cada generación, la calidad de cada individuo de la población se evalúa mediante una función de aptitud, que, en el caso propuesto, es el error cuadrático medio (RMSE). Se trata de una práctica ampliamente aceptada y utilizada en la literatura; esta elección se basa en su capacidad para proporcionar una medida clara y objetiva del rendimiento del modelo, permitiendo su comparación y evaluación en diferentes escenarios».
El enfoque propuesto se utilizó sobre una base de datos procedente de una instalación real sobre cubierta en Valencia. La instalación constaba de 12 paneles monocristalinos de 350 W acompañados de información meteorológica procedente de una estación cercana. El registro tuvo lugar desde el 1 de mayo de 2021 hasta el 30 de abril de 2022. El 70% de los puntos de datos se utilizaron para el entrenamiento, el 15% para las pruebas y el 15% para la validación.
«Este análisis ha incluido la comparación de los resultados obtenidos al entrenar la red utilizando conjuntos de datos agregados a nivel anual, estacional y mensual», añaden los académicos. «El entrenamiento anual puede permitir captar tendencias y patrones a largo plazo, proporcionando una visión general del comportamiento del sistema a lo largo del tiempo. La formación estacional puede permitir analizar las variaciones estacionales, teniendo en cuenta los cambios en las condiciones meteorológicas y ambientales. El entrenamiento mensual puede permitir examinar individualmente las variaciones a corto plazo, lo que permite captar patrones más específicos y detallados del comportamiento del sistema».
A continuación, han contrastado el novedoso modelo con el modelo de regresión lineal múltiple (MLR), un método estadístico de uso común para analizar la relación entre múltiples variables predictoras y una variable de respuesta; y con el modelo autorregresivo no lineal (NAR), que se basa en la capacidad de las redes neuronales para modelizar relaciones no lineales en series temporales.
«La capacidad de predicción de la RNA optimizada por GA se aproxima a las mediciones reales, con RMSEs mínimos de 13,4 W para la predicción con datos mensuales de marzo, 31,8 W para la predicción con datos estacionales de febrero y 15,6 W para la predicción con datos anuales de agosto», mostraron los resultados. «Para evaluar cuál de las cinco metodologías ha tenido un mejor rendimiento, los RMSE medios obtenidos son 24 W, 59 W, 72 W, 53 W, 69 W y 219 W para las metodologías GA-FANN anual, estacional y mensual, MLR, NAR y RNA base respectivamente».
A continuación, el novedoso método FF-ANN se comparó en pruebas de referencia con las metodologías de predicción de energía fotovoltaica más avanzadas, a saber, QT-MARF, RNN-LSTM, IAMFN, CNN-LSTM, CNN-GRU, ELM, ANN y SVR. Se probaron en ocho casos, con instalaciones de entre 1.500 W y 2.700 W.
El grupo descubrió que el nuevo modelo mostraba un rendimiento superior en términos de RMSE y coeficiente de determinación (R).
« Por ejemplo, para el día 01/09/2023, el GA-FFANN logra un RMSE de 20W y una R de 0,99851, mientras que el mejor método de referencia, QT-MARF en el caso 1 (1.600W), tiene un RMSE de 43W y una R de 0,99599. Además, en días como el 15/08/2022, el modelo propuesto alcanza un RMSE de 16W y una R de 0,99976, en comparación con el mejor rendimiento de referencia en el caso 4 (1.500W) con RNN-LSTM, que tiene un RMSE de 20W y una R de 0,99715», concluyen los académicos.
Sus hallazgos se presentaron en «Optimizing photovoltaic power plant forecasting with dynamic neural network structure refinement» (Optimización de la previsión de plantas de energía fotovoltaica con refinamiento dinámico de la estructura de la red neuronal), publicado en Scientific Reports. El código asociado al método puede consultarse en el repositorio Harvard Dataverse.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.