Noticias

Modelo predictivo de radiación solar mediante técnicas de machine learning

Modelo predictivo de radiación solar mediante técnicas de machine learning

El tutor del Instituto Internacional en Formación Ambiental | IIFA, Luis Mazorra Aguiar, ha desarrollado la tesis del Doctorado Tecnología Industrial-Universidad de Las Palmas de Gran Canaria, sobre un modelo predictivo de radiación solar.

La radiación solar global es una de las variables más importantes para determinar la capacidad de producción eléctrica de una región. Una predicción fiable de las condiciones de radiación solar pueden conducir a un aprovechamiento más eficiente de la energía producida en las centrales solares. La energía proveniente de fuentes convencionales es fácilmente regulable, por lo que disponer de los patrones de carga y producción de energía solar con adelanto permitirá a los operadores un mejor balance entre la demanda y la generación de potencia. En los sistemas insulares, como es el caso de Gran Canaria, estos problemas se agudizan al no encontrarse conectados con la red general eléctrica del continente. En estos sistemas, la energía se debe producir y consumir en el propio territorio. Un alto grado de penetración de fuentes de energía fluctuantes puede conducir a comportamientos inestables en las redes eléctricas. Además, la radiación solar presenta una alta variabilidad espacio temporal en las Islas Canarias, por lo que una predicción fiable es una herramienta sumamente importante.

El objetivo de esta tesis es el estudio de distintos métodos de predicción de la irradiancia solar global horizontal en el horizonte temporal horario, de 1 a 6 horas en adelanto con intervalos horarios. Los modelos de predicción estadísticos, como los métodos Autorregresivos (AR), los métodos Autorregresivos de Media Móviles (ARMA) y las Redes Neuronales Artificiales (RNAs), son los más apropiados para horizontes de predicción entre 5 min. y 6 h. El estudio de la complejidad del modelo de Redes Neuronales Artificiales se ha basado en técnicas Bayesianas. Durante esta tesis se trabajará con estos modelos y datos de entrada provenientes de estaciones de medida terrestres, de imágenes satelitales (del HelioClim-3) y del modelo numérico meteorológico (ECMWF).

 

FV Menu Principal

Inicio

Institucional

Soluciones

Trabajamos

Servicios

Formación

Colabora

Noticias

Boletín Fondo Verde

¡Suscríbete a nuestro Boletín!
Contáctanos

Partners Fondo Verde

OEA
AECID
APCI
Padawan
Rethink Europe
Kimberly-Clark Boliv
Enel Green Power
PepsiCo
Infoedita
Verdeate
UPC
UV
Unión Internacional
Revista Energías Re
Reima

Sede Central

Calle Santa Lucía 305, Urb. San Antonio.
Huancayo. Junín. Perú.
Móvil: ++ 51 964 466 907
Skype: fondoverde

Mayor Información:
» Oficinas Regionales
» Formulario de Contacto

Utilizamos cookies para garantizar que obtenga la mejor experiencia en nuestro sitio web.

| Saber más

Acepto