Predicción solar basada en imágenes de todo el cielo y memoria a corto plazo

Un equipo de investigadores neerlandés ha desarrollado un modelo de previsión de la radiación solar que utiliza la técnica de memoria a corto plazo (LSTM). Al parecer, la metodología propuesta consigue mejores resultados que otros métodos de previsión.

abril 23, 2024 Lior Kahana

Imagen de todo el cielo que capta la cobertura de nubes en un momento concreto.

Imagen: Universidad de Utrecht, Energía solar, CC BY 4.0 DEED

Investigadores de la Universidad de Utrecht (Países Bajos) y de EKO Instruments Europe han desarrollado un novedoso sistema de aprendizaje automático y de predicción de la irradiancia solar a corto plazo basado en imágenes de todo el cielo.

El modelo se basa en el modelo de memoria a largo plazo (LSTM, por sus siglas en inglés), que es un tipo de red neuronal recurrente capaz de aprender la dependencia del orden en problemas de predicción secuencial. La técnica LSTM toma las partes relevantes de un modelo de aprendizaje automático preentrenado y lo aplica a un problema nuevo pero similar.

«Nuestro objetivo es mejorar la precisión de la predicción aumentando los datos y, posiblemente, ampliando la red de sensores para incluir datos en tiempo real de múltiples ubicaciones», explicó a pv magazine Khadija Barhmi, autora principal de la investigación.

Los académicos explicaron que la LSTM utiliza células de memoria, que pueden almacenar información durante un largo periodo, y compuertas, que controlan el flujo de información y toman decisiones sobre lo que se olvida y lo que se conserva.

«Las redes LSTM, un subconjunto de las redes neuronales recurrentes (RNN), son conocidas por su excepcional capacidad para modelar secuencias temporales», afirmaron. «Integrando LSTM con imágenes de todo el cielo y datos meteorológicos locales, nuestra investigación formula un enfoque novedoso cuyo método permite crear representaciones futuras de la evolución del cielo».

El método de predicción desarrollado por el científico utiliza imágenes de todo el cielo, capturando imágenes del cielo a partir de las cuales el modelo puede aprender sobre la ubicación, el movimiento y la formación de las nubes. Emplea el algoritmo de umbral, que clasifica los píxeles como nubes o cielo despejado en función de umbrales predefinidos. El movimiento de las nubes se calcula mediante un algoritmo de estimación del flujo en dos fotogramas.

El equipo colocó cámaras todo cielo en las instalaciones de la Plataforma Solar de Almería (PSA), en el sur de España, separadas entre sí unos 880,2 metros. Cada una de ellas tomó imágenes que cubrían un campo de visión de 180 grados, con una frecuencia de muestreo de 15 segundos. Además, se colocaron en el mismo lugar sensores que medían la temperatura ambiente, la irradiancia horizontal global (GHI) y la humedad relativa. El modelo LSTM también se alimentó con datos meteorológicos externos recogidos de fuentes abiertas, como el índice preciso del cielo y la distancia sol-tierra.

«Como conjunto de datos, consideramos los datos del 1 de agosto de 2019 al 31 de diciembre de 2019. Estos comprenden 121 días soleados, 29 días parcialmente nublados y tres días nublados», dijo el grupo de investigación. «Para evaluar la eficacia de varios parámetros, realizamos una comparación exhaustiva durante nueve días».

El conjunto de validación comprendía diferentes condiciones meteorológicas, incluidos días soleados, días parcialmente nublados y días nublados.

El novedoso método se ha medido con otros métodos de aprendizaje automático, como Random Forest (RF) y redes neuronales artificiales (ANN) con este conjunto de validación. También se ha comparado con el modelo de persistencia, un modelo de referencia estándar en la predicción de la irradiancia solar, y con el modelo SKIPP’D de última generación. Todos ellos se probaron con variaciones de los datos de entrada, con distintas combinaciones de imágenes del cielo, datos de sensores y datos meteorológicos.

«Los modelos RF y ANN obtienen su mejor rendimiento cuando utilizan únicamente el subconjunto de características ‘in situ’, lo que indica que no consiguen captar información valiosa de las características extraídas de las imágenes», afirman los científicos. «Sin embargo, LSTM los supera cuando se les da acceso a este subconjunto. Al captar la complejidad de estas características, LSTM ofrece las mejores predicciones entre todos los modelos probados. Además, el conjunto de características de «todos los datos» ofrece los mejores resultados para LSTM en promedio, en todas las condiciones meteorológicas».

La puntuación de rampa (RS) del modelo LSTM -utilizado para medir la capacidad de previsión de las fluctuaciones del GHI- fue del 39% en condiciones soleadas y del 25% en condiciones parcialmente nubladas. «Nuestras actividades de evaluación comparativa implicaron un análisis comparativo entre nuestro modelo de aprendizaje profundo y el método SKIPP’D», añadió el grupo. «El modelo LSTM superó en la validación, demostrando una captura superior de la dinámica temporal, crucial para la predicción solar».

Los científicos presentaron su modelo en el estudio «All sky imaging-based short-term solar irradiance forecasting with Long Short-Term Memory networks» (Predicción de la irradiancia solar a corto plazo basada en imágenes de todo el cielo con redes de memoria a corto plazo de larga duración), publicado en Solar Energy.

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.