Estimación de radiación solar horaria utilizando modelos empíricos y redes neuronales artificiales.
Resumen
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.
Palabras claves: radiación solar horaria, modelos empíricos, redes neuronales feedforward, regresión lineal, energía renovable
Descargas
Citas
Ahmad, M. J., & Tiwari, G. (2011). Solar radiation models—A review. International Journal of Energy Research, 35(4), 271–290.
Cao, J., & Lin, X. (2008). Study of hourly and daily solar irradiation forecast using diagonal recurrent wavelet neural networks. Energy Conversion and Management, 49(6), 1396–1406.
Eldén, L. (2007). Matrix Methods in Data Mining and Pattern Recognition. Philadelphia, PA, USA: Society for Industrial and Applied Mathematics.
Elminir, H. K., Azzam, Y. A., & Younes, F. I. (2007). Prediction of hourly and daily diffuse fraction using neural network, as compared to linear regression models. Energy, 32(8), 1513-1523.
Furlan, C., De Oliveira, A. P., Soares, J., Codato, G., & Escobedo, J. F. (2012). The role of clouds in improving the regression model for hourly values of diffuse solar radiation. Applied Energy, 92, 240–254.
Gilani, S. I.-H., Dimas, F. A. R., Shiraz, M., & others. (2011). Hourly solar radiation estimation using Ambient Temperature and Relative Humidity data. International Journal of Environmental Science and Development, 2(3), 188–193.
Gorgan, B., Notingher, P., Wetzer, J., Verhaart, H., Wouters, P., & Van Schijndel, A. (2012). Influence of solar irradiation on power transformer thermal balance. IEEE Transactions on Dielectrics and Electrical Insulation, 19(6), 1843–1850.
Hagan, M. T., & Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. Neural Networks, IEEE Transactions on, 5(6), 989–993.
Hernández-Travieso, J. G., Travieso, C. M., Alonso, J. B., & Dutta, M. K. (2014). Solar radiation modelling for the estimation of the solar energy generation. En Contemporary Computing (IC3), 2014 Seventh International Conference on (pp. 536-541).
Ji, W., Chan, C., Loh, J., & Chen, L. (2009). Solar Radiation Prediction Using Statistical Approaches. En Information, Communications and Signal Processing, ICICS 2009 (pp. 1-5). IEEE.
Jimenez, V. A., Barrionuevo, A., Will, A., & Rodriguez, S. (2016). Neural Network for Estimating Daily Global Solar Radiation Using Temperature, Humidity and Pressure as Unique Climatic Input Variables. Smart Grid and Renewable Energy, (7), 94-103. http://doi.org/http://dx.doi.org/10.4236/sgre.2016.73006
Jimenez, V. A., Will, A., Rodriguez, S. A., & Lamelas, C. (2014). Imputación de Datos Climáticos Utilizando Algoritmos Genéticos Niching. En Acta de la XXXVII Reunión de Trabajo de la Asociación Argentina de Energías Renovables y Medio Ambiente (Vol. 2, pp. 11139-11148).
Khatib, T., Mohamed, A., Sopian, K., & Mahmoud, M. (2012). Assessment of artificial neural networks for hourly solar radiation prediction. International journal of Photoenergy, 2012.
Mellit, A., Eleuch, H., Benghanem, M., Elaoun, C., & Pavan, A. M. (2010). An adaptive model for predicting of global, direct and diffuse hourly solar irradiance. Energy Conversion and Management, 51(4), 771–782.
Noorian, A. M., Moradi, I., & Kamali, G. A. (2008). Evaluation of 12 models to estimate hourly diffuse irradiation on inclined surfaces. Renewable energy, 33(6), 1406–1412.
Pandey, P. K., & Soupir, M. L. (2012). A new method to estimate average hourly global solar radiation on the horizontal surface. Atmospheric Research, 114–115(0), 83-90.
Reikard, G. (2009). Predicting solar radiation at high resolutions: A comparison of time series forecasts. Solar Energy, 83(3), 342–349.
Sayago, S., Bocco, M., Ovando, G., & Willington, E. (2011). Radiación solar horaria: modelos de estimación a partir de variables meteorológicas básicas. Avances en Energías Renovables y Medio Ambiente, 15, 51–57.
Sfetsos, A., & Coonick, A. (2000). Univariate and multivariate forecasting of hourly solar radiation with artificial intelligence techniques. Solar Energy, 68(2), 169–178.
Sharma, S. K., & Chandra, P. (2010). Constructive neural networks: a review. International journal of engineering science and technology, 2(12), 7847–7855.
Spokas, K., & Forcella,Frank. (2006). Estimating hourly incoming solar radiation from limited meteorological data. Weed Science, 54, 182–189.
Teke, A., Yıldırım, H. B., & Çelik, Ö. (2015). Evaluation and performance comparison of different models for the estimation of solar radiation. Renewable and Sustainable Energy Reviews, 50, 1097–1107.
Will, A., Bustos, J., Bocco, M., Gotay, J., & Lamelas, C. (2013). On the use of niching genetic algorithms for variable selection in solar radiation estimation. Renewable Energy, 50, 168–176.
Yadav, A. K., & Chandel, S. (2014). Solar radiation prediction using Artificial Neural Network techniques: A review. Renewable and Sustainable Energy Reviews, 33, 772–781.
Yu, H., & Wilamowski, B. M. (2011). Levenberg-marquardt training. Industrial Electronics Handbook, 5, 12–1.
Los artículos publicados en la Revista Ciencia y Tecnología son de exclusiva propiedad de sus autores. Las opiniones y el contenido de los mismos pertenecen a sus autores, declinando la Universidad de Palermo toda responsabilidad por los derechos que pudiera derivarse de la lectura y/o interpretación del contenido de los artículos publicados.
No se autoriza la reproducción, utilización ni explotación por parte de ningún tercero de los artículos publicados. Sólo se autoriza su uso para fines exclusivamente académicos y/o de investigación.
