La radiación solar es uno de los parámetros más importantes para el desarrollo de aplicaciones e investigaciones relacionadas a energías renovables. Sin embargo, la adquisición de mediciones de radiación solar no siempre es posible por diferentes motivos y es necesario contar con modelos que permitan estimarla. Estos modelos
en su mayoría utilizan variables climáticas difíciles de medir y que no siempre están disponibles en todos los sitios. El objetivo de este trabajo es aplicar un método para estimar radiación solar horaria, basado en redes neuronales, utilizando como variables de entrada estimaciones de radiación solar obtenidas mediante un modelo
matemático simple y variables climáticas de fácil adquisición: Temperatura, Presión y Humedad. Además, para comprobar que las redes neuronales son más adecuadas en estos casos se hizo una comparativa con estimaciones realizadas con regresión lineal. Los modelos generados fueron ajustados y validados con datos provenientes de cinco estaciones meteorológicas de la provincia de Tucumán, Argentina, logrando obtener en promedio un error de 11.0% (Root Mean Squared Error) con regresión lineal y 7.84% con redes neuronales.
Solar radiation is one of the most important parameter for application,
development and research related to renewable energy. However, the solar radiation
measurements acquisition is not always possible for many reasons, and it is
necessary to have models to estimate it. Mostly, these models use climatic variables
that are difficult to measure and are not always available in all sites. The aim of
this paper is to estimate hourly solar radiation, based on neural networks, using
solar radiation estimates obtained by a simple mathematical model and climatic
variables easy to acquire as input variables: Temperature, pressure and humidity.
In addition, to verify that neural networks are most appropriate in these cases, a
comparison with linear regression estimates was made. The models were adjusted
and validated with data from five weather stations of the province of Tucuman,
Argentina, achieving on average a Root Mean Squared Error value of 11.0% for
linear regression and 7.84% for neural networks.
