Un grupo internacional de investigadores ha utilizado redes neuronales artificiales (RNA) basadas en la selección de características con varios algoritmos de aprendizaje automático para predecir la OTA de los sistemas fotovoltaicos. Realizaron sus experimentos en 37 ubicaciones de la India y, en función de la RNA evaluada, las mejoras de precisión oscilaron entre el 38,59% y el 90,72%.
«La OTA de los paneles solares es una de las variables cruciales que determinan la eficacia de la instalación y el funcionamiento de los sistemas fotovoltaicos», afirma el grupo. «Una OTA permite que los rayos del sol sean absorbidos por el material en la mayor medida posible. Al captar la energía solar, los paneles fotovoltaicos se ven afectados por el ángulo con que les llega la luz procedente de distintas direcciones. En consecuencia, la producción anual de energía del sistema se ve directamente afectada por la selección del ángulo de inclinación adecuado».
El experimento se basó en información extraída del sitio web Power Data Access Viewer de la NASA e incluyó los siguientes parámetros: radiación solar (SR) global, SR difusa, SR extraterrestre, SR global sobre una superficie inclinada e índice de claridad. Extrajeron datos de 37 ciudades indias, entre ellas Nueva Delhi, Bombay, Bangalore y Calcuta.
«En el aprendizaje automático y el análisis de datos, la selección de características es un paso crucial que consiste en determinar qué variables y predictores de un conjunto de datos son más significativos y contribuyen al potencial predictivo de un modelo», explica el equipo académico. «La selección de características relevantes minimiza el sobreajuste, aumenta la interpretabilidad e incrementa la precisión del modelo». En las subsecciones siguientes se ofrece una lista de métodos de selección de características».
El equipo utilizó técnicas de selección de características, como el coeficiente de correlación de Pearson, para evaluar la solidez de las asociaciones de datos y la relación señal-ruido para simplificar el proceso en condiciones de mucho ruido. Tras aplicar estos métodos, optaron por no incluir la SR extraterrestre en los modelos de predicción ANN.
«Las entradas de SR global, SR difusa e índice de claridad media mensual mostraron una relación negativa más fuerte con la salida de OTA en comparación con la radiación extraterrestre, que mostró una relación insignificante con la salida de OTA», señalaron. «La SR global en superficies inclinadas mostró una relación positiva moderada. Una correlación negativa significa que a medida que aumentan la SR global, la SR difusa y el índice de claridad medio mensual, la OTA disminuye. La entrada de radiación extraterrestre tiene un valor señal-ruido más bajo, lo que implica que su correlación con la OTA es baja».
A continuación, se probaron seis algoritmos RNA y se compararon sus predicciones del ángulo de inclinación con los valores reales del objetivo de la OTA. A continuación, se calculó la mejora en la precisión de la predicción (IPA) para mostrar cómo la selección de características había mejorado el error cuadrático medio (MSE) en compresión con el MSE del cálculo con todos los parámetros.
El IPA más bajo se registró en el caso del gradiente conjugado escalado (SCG), con una mejora del 38,59%. Le siguieron un IPA del 53,33% con el caso de Levenberg -Marquardt (LM) y un 66,93% para el gradiente conjugado de Polak-Ribiere (PRCG). La secante de un paso (OSS) obtuvo un IPA del 86,88%, mientras que la Broyden-Fletcher-Goldfarb-Shanno (BFGS) registró un 89,53%. La red neuronal de Elman (ELM) ha proporcionado la mejor mejora, del 90,72%.
«Los modelos desarrollados en este estudio se utilizan para optimizar la producción de energía, aumentar la eficiencia y hacer juicios bien informados, ángulos de inclinación de los paneles solares», dijeron los académicos. «El modelo ayuda a los participantes de la industria a obtener mejores resultados y promover el uso de la OTA mediante la predicción en diferentes sitios. Los futuros trabajos de investigación pueden centrarse en la predicción de la OTA utilizando valores medidos de alta precisión de la radiación solar e incorporando otros factores como el polvo, la contaminación y los aerosoles. Se desarrollarán y validarán otros modelos de OTA específicos para cada región en diferentes condiciones climáticas».
Los autores presentaron sus resultados en «Novel feature selection based ANN for optimal solar panels tilt angles prediction in micro grid» (Nueva red neuronal artificial basada en selección de características para la predicción óptima de ángulos de inclinación de paneles solares en microrredes), publicado recientemente en Case Studies in Thermal Engineering. El estudio fue realizado por científicos de la Universidad SR de la India, la Universidad IIMT, el Government College Hamirpur, la Universidad COER, la Universidad Gachon de Corea del Sur y la Universidad Eötvös Loránd de Hungría.
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.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.