Previsión fotovoltaica a muy corto plazo basada en una red neuronal convolucional con memoria a largo plazo

Científicos han creado un novedoso modelo probabilístico para predecir la potencia fotovoltaica con cinco minutos de antelación. El método combina una red neuronal convolucional con memoria bidireccional a corto plazo, un mecanismo de atención y un refuerzo de gradiente natural.

marzo 24, 2025 Lior Kahana

Imagen: Dad Hotel, Unsplash

Un grupo de investigación dirigido por científicos de la Universidad Politécnica de Hong Kong ha propuesto un novedoso método probabilístico de previsión de la energía solar fotovoltaica a ultracorto plazo basado en una red neuronal convolucional (CNN) y una memoria bidireccional a largo plazo (BiLSTM) con un mecanismo de atención.

La nueva técnica extrae patrones de datos meteorológicos históricos y, a continuación, predice el resultado con el método natural gradient boosting (NGBoost). «Cuantificar la incertidumbre de las previsiones es cada vez más esencial para mitigar los riesgos y apoyar la toma de decisiones informadas en la gestión de la demanda y las licitaciones del mercado eléctrico», explica el equipo. «En este contexto, los métodos de previsión probabilística mejoran la fiabilidad de las previsiones al ofrecer información sobre la distribución completa de probabilidades de los posibles resultados. Este enfoque permite comprender mejor la incertidumbre de las previsiones, lo que permite a los interesados tomar decisiones mejor informadas».

En el primer paso del método, el sistema utiliza observaciones meteorológicas y mediciones históricas de potencia fotovoltaica como datos de entrada y los introduce en la red CNN-BiLSTM-Attention. La CNN se utiliza entonces para encontrar tendencias a corto plazo, mientras que el BiLSTM encuentra patrones a largo plazo. El mecanismo de atención se utiliza para encontrar los pasos temporales más importantes.

Por último, la CNN-BiLSTM-Attention obtiene características abstractas a partir de las entradas de series temporales y las pasa al NGBoost. Este último es una técnica avanzada de aprendizaje automático que permite obtener previsiones tanto deterministas como probabilísticas. El pronóstico determinista presenta la producción de energía solar en cinco minutos, mientras que el pronóstico probabilístico extrae una gama de salidas de energía y su respectiva certeza de que se produzcan.

«Para validar la eficacia del marco del modelo propuesto para la previsión probabilística de la energía solar fotovoltaica, este estudio lo compara con varios modelos de referencia», afirman los académicos. «El modelo de regresión cuantílica (QR), un método ampliamente utilizado en la previsión probabilística de la potencia fotovoltaica, fue seleccionado como el modelo de referencia fundamental. Además, se incluyeron cuatro modelos de aprendizaje profundo basados en QR para su comparación, es decir, el modelo de red neuronal convolucional cuantílica (QCNN), el modelo de red de memoria a corto plazo cuantílica (QLSTM), el modelo de red de memoria a corto plazo cuantílica bidireccional (QBiLSTM) y el modelo de unidad recurrente cuantílica (QGRU). Se entrenó un modelo NGBoost independiente como referencia adicional».

El modelo propuesto y los seis modelos de referencia se probaron en bases de datos de tres centros australianos. El Desert Knowledge Australia Solar Centre (DKASC)-7 es un emplazamiento de 6,96 kW, que utiliza módulos fotovoltaicos de teluro de cadmio (CdTe) de 73 W; el emplazamiento DKASC-9A tiene 5,2 kW, compuestos por módulos de cobre, indio, galio y diseleniuro (CIGS) de 130 W; y el DKASC-13 se compone de módulos de silicio monocristalino de 175 W, con una capacidad total de 5,25 kW.

El análisis demostró que el modelo propuesto logra un error medio absoluto normalizado (NMAE) de aproximadamente el 5%, un error cuadrático medio normalizado (NRMSE) de aproximadamente el 10% y una puntuación de habilidad de previsión (SS) de aproximadamente el 60%, lo que indica reducciones del 20,73-41,88% en NMAE, del 15,68-37,24% en NRMSE y mejoras del 15,51-61,22% en SS en comparación con los modelos de aprendizaje profundo basados en QR y el modelo NGBoost publicados recientemente. Además, mostró los valores NMAE y NRMSE medios más bajos y los valores SS medios más altos, teniendo en cuenta la naturaleza periódica de los patrones meteorológicos.

«Pasando a la previsión probabilística de la potencia fotovoltaica, el modelo propuesto alcanza una puntuación de probabilidad clasificada continua (CRPS) que oscila entre 0,0710 y 0,0898 kW, lo que supone un 20,60-42,40% menos que los modelos de aprendizaje profundo basados en QR y un 29,42-40,09% menos que el modelo NGBoost. Dentro de los intervalos de confianza del 10-90%, los resultados de la probabilidad de cobertura del intervalo de predicción (PICP) y la anchura media normalizada del intervalo de predicción (PINAW) indican que el modelo propuesto proporciona mayores probabilidades de cobertura y anchuras medias del intervalo de predicción más estrechas que los modelos de referencia. La puntuación de Winkler (WS) del modelo propuesto oscila entre 0,2182 kW y 0,7155 kW, superando sistemáticamente a los modelos de referencia», concluyen los investigadores.

Los resultados de su análisis se presentan en «Probabilistic ultra-short-term solar photovoltaic power forecasting using natural gradient boosting with attention-enhanced neural networks» (Pronóstico probabilístico de energía solar fotovoltaica a ultracorto plazo mediante el aumento de gradiente natural con redes neuronales de atención mejorada), publicado en Energy and AI. Científicos de la Universidad Politécnica de Hong Kong y la Universidad Técnica de Dinamarca han dirigido la investigación.

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.