Luis martin jornada becarios 2006

Presentado por:

LUIS MARTÍN POMARES

Aplicaciones Medioambientales de la Radiación Solar y Evaluación de Recursos Solares

DEPARTAMENTO DE ENERGÍADivisión de Energías Renovables

Plataforma Solar de Almería

13 de abril de 2023

PREDICCIÓN DE LA RADIACIÓN SOLAR DIARIA

2

PREDICCIÓN RADIACIÓN SOLAR

1. OBJETIVOS

2. REVISIÓN TÉCNICAS PREDICTIVAS

3. METEODOLOGÍA

4. RESULTADOS

5. CONCLUSIONES Y FUTUROS TRABAJOS

3

OBJETIVOS

Revisión de modelos de predicción de la radiación solar.

Modelos Estadísiticos Modelos de salida estadísitca (MOS) Modelos autorregresivos Modelos basados en redes neuronales Predicción a partir de imágenes de satélite

Ensayo de técnicas estadísticas predicción del índice de claridad diario.

4

PREDICCIÓN RADIACIÓN SOLAR

1. OBJETIVOS

2. REVISIÓN TÉCNICAS PREDICTIVAS

3. METEODOLOGÍA

4. RESULTADOS

5. CONCLUSIONES Y FUTUROS TRABAJOS

5

PREDICCIÓN: DEFINICIONES PREVIAS

Necesidad de caracterizar y predecir la radiación solar para ser usada como recurso energético (RD 436/2004).

Técnicas de Predicción:

1. Modelos de predicción numérica (NWP)2. Predicción basada en métodos estadísticos

Horizonte de Predicción Nowcasting: menos de una hora Corto plazo: 1 hora – 1 semana Medio plazo: 1 semana – 1 año Largo Plazo: más de un año. Estudios climáticos

6

RADIACIÓN SOLAR

0I

bIDI

Componentes de la radiación solar sobre superficie horizontal cosG b DI I I

Índice de claridad ó transparencia atmosférica 0

Gt

Ik

I

RADIACIÓN REFLEJADAPOR LAS NUBES

RADIACIÓN DIFUSA

RADIACIÓN DIRECTA

SCATTERINGABSORCIÓN

RADIACIÓN REFLEJADA POR EL ALBEDO TERRESTRE

RADIACIÓN EXTRATERRESTRE

Índice de cielo claro

Gcs

cs sky

Ik

I

7

-

-g

n g

n

Imagen original Albedo Ref. (ρg )Albedo aparente (ρ )

C. C. Nubosa (n )

Albedo nubes (ρn )

COEFICICIENTE DE COBERTURA NUBOSA

8

PREDICCIÓN IRRADIANCIA SOLAR DIARIA

Primer Trabajo:J. S. Jensenius y G. F. Cotton, 1981:

The development and testing of automated Solar energy forecasts based on the model output statistics (MOS) technique.

MOS: relaciona elementos meteorológicos observados (predictando) a variables apropiadas (predictores) mediante una aproximación estadística lineal.Utiliza principalmente como predictores variables que determinan la nubosidad: humedad relativa media, punto de rocío, velocidad vertical (z),…. Predicción del índice de claridad y irradiancia total mediante ecuaciones individuales para cada estación y ecuaciones regionalizadas.

9

PREDICCIÓN RADIACIÓN SOLAR DIARIAREDES NEURONALES

Cao S, Cao J. Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis. Applied Thermal Engineering 2005 Feb;25(2-3):161-72.

Mellit, A., Benghanem, M. y Kalogirou, S. A., 2006. An adaptive wavelet-network model for forecasting daily total solar-radiation. Applied Energy 83, 705-722.

REDES NEURONALES + WAVELET: IRRADIANCIA SOLAR DIARIA TOTAL (MJ/m2)REDES NEURONALES + WAVELET: IRRADIANCIA SOLAR DIARIA TOTAL (MJ/m2)

RED NEURONAL MULTIETAPARED NEURONAL MULTIETAPA

KEMMOKU, Y., ORITA, S., NAKAGAWA, S. y SAKAKIBARA, T., 1999. DAILY INSOLATION FORECASTING USING A MULTI-STAGE NEURAL NETWORK. Solar Energy 66, 193-199.

10

PREDICCIÓN Kcs

( )G

clear sky

Ig SK

I

3,41 0,75 8G

clear sky

IN

I

1,91 0,87G

clear sky

ISK

I

c) Nueva aproximación desarrollada:

b) Formula original de Kaste y Czeplak:

a) Relación lineal índice de cobertura nubosa:

R.Perez, K Moore, S.Wilcox, D.Renné y A.Zelenka. Forecasting Solar Radiation - Preliminary evaluation of an approach based upon the national forecast data base, 2005.

11

PREDICCIÓN RADIACIÓN SOLAR A PARTIR DE IMÁGENES DE SATELITE

Annette Hammer, Detlev Heinemann, Carster Hoyer, Elke Lorenz. Satellite based short-term

forecasting of solar irradiance - comparison of methods and error analysis. 2000.

12

Modelo de predicción del movimiento basado en vectores de campo de movimiento y redes neuronales

PREDICCIÓN RADIACIÓN SOLAR A PARTIR DE IMÁGENES DE SATELITE

13

PREDICCIÓN RADIACIÓN SOLAR

1. OBJETIVOS

2. REVISIÓN TÉCNICAS PREDICTIVAS

3. METEODOLOGÍA

4. RESULTADOS

5. CONCLUSIONES Y FUTUROS TRABAJOS

14

ANÁLISIS ESPECTRAL DE SEÑALES

Transformada de Fourier

Problema: La transformada de FourierNo es adecuada para analizar señales

No estacionarias

Transformada Wavelet Continua

16

TRANSFORMADA WAVELET DISCRETA

Análisis Piramidal de la señal y descomposición de la señal en múltiples niveles mediante filtro paso baja y paso alta

BajaFrecuencia Alta

FrecuenciacD1cA1

cA2 cD2

cA3 cD3

Kt

17

NEURONA ARTIFICIAL

Redes Neuronales Biológicas Redes Neuronales Artificiales

Neuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de las sinápsis Peso de las conexiones

Efecto excitatorio o inhibitorio de una conexión

Signo del peso de una conexión

Efecto combinado de las sinápsis Función de propagación o de red

Activación -> tasa de disparo Función de activación -> Salida

18

REDES NEURONALES - Estructura

CaracterísticasCaracterísticas•Adaptatividad y autoorganización de la red para nuevos patrones de entrada.•Procesamiento no lineal•Procesamiento en paralelo de las señales

19

PREDICCIÓN RADIACIÓN SOLAR

1. OBJETIVOS

2. REVISIÓN TÉCNICAS PREDICTIVAS

3. METEODOLOGÍA

4. RESULTADOS

5. CONCLUSIONES Y FUTUROS TRABAJOS

20

DATOS EXPERIMENTALES

DATOS PIRANOMÉTRICOS Número de días disponibles por mes

Índice de transparencia atmosférica (datos filtrados)

21

MODELOS PREDICCIÓN: Perceptrón multicapa

Kt

Kt(x)

Kt(x-1)...Kt(x-k)

Kt(x+1)

22

RESULTADOS

Mean Absolute Error (MAE)

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 2 4 6 8 10 12

NN(X)

MA

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Mean Squared Error (MSE)

-0,1

0

0,1

0,2

0,3

0,4

0,5

0 2 4 6 8 10 12

NN(X)

MS

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Coeficiente Correlación (R)

0

0,1

0,2

0,3

0,4

0,5

0,6

0 2 4 6 8 10 12

NN(X)

R

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Modelo Red Neuronal Estructura

Modelo 1 1 Nodo

Modelo 2 7-1

Modelo 3 5-3-1

Modelo 4 7-5-3-1

23

MODELOS PREDICCIÓN: Wavenet

DW

DW

Kt

aD1(x)

aD1(x-1)...aD1(x-k)

aD1(x+1)•aD1

•aD2

•aD3

•aA3

aD2(x)…aD2(x-k)

aD3(x)…aD2(x-k)

aD2(x)…aD2(x-k)

aD2(x+1)

aD3(x+1)

aA1(x+1)

IDW

Kt(x+1)

24

RESULTADOS

Modelo Red Neuronal Estructura

Modelo 1 1 Nodo

Modelo 2 7-1

Modelo 3 5-3-1(cA)7-5-3-1(cD)

Modelo 4 7-5-3-1

Mean Absolute Error (MAE)

0

0,5

1

1,5

2

2,5

3

1 2 3 4 5 6 7 8 9 10

NN(X)

MA

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Coeficiente Correlación (R)

0

0,2

0,4

0,6

0,8

1

1,2

1 2 3 4 5 6 7 8 9 10

NN(X)

R

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Mean Squared Error (MSE)

0

0,1

0,2

0,3

0,4

0,5

1 2 3 4 5 6 7 8 9 10

NN(X)

MS

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

25

Predicción Coeficientes Transformada Wavelet

0 50 100 150 200 250 300 3500.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9Coeficientes Transformada Wavelet Aproximacion 1

Día Juliano0 50 100 150 200 250 300 350

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Coeficientes Transformada Wavelet Detalle 1

Día Juliano

0 50 100 150 200 250 300 350-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Coeficientes Transformada Wavelet Detalle 2

Día Juliano0 50 100 150 200 250 300 350

-0.2

-0.1

0

0.1

0.2Coeficientes Transformada Wavelet Detalle 3

Día Juliano

Señal Original

Señal Predecida

26

Predicción Coeficientes Transformada Wavelet

0 50 100 150 200 250 300 350-0.2

0

0.2

0.4

0.6

0.8

1

1.2Predicción Kt

Día Juliano

Kt

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Kt Original

Pre

dic

ció

n K

t

0 50 100 150 200 250 300 3500

0.05

0.1

0.15

0.2

0.25Error Absoluto

Día Juliano

Err

or P

redi

cció

n K

t

27

PREDICCIÓN RADIACIÓN SOLAR

1. OBJETIVOS

2. REVISIÓN TÉCNICAS PREDICTIVAS

3. METEODOLOGÍA

4. RESULTADOS

5. CONCLUSIONES Y FUTUROS TRABAJOS

28

Necesidad predicción radiación solar (RD 436/2004RD 436/2004).

Datos de tierra previos menor error predicciónDatos de tierra previos menor error predicción.

Técnicas mediante imágenes de satélite tienen error intrínseco por modelo HELIOSAT pero son ideales para la predicción en lugares donde no haya datos previos no haya datos previos disponiblesdisponibles. Estimación de la radiación solar a partir de imágenes de satélite como alternativa (distribución espacio-distribución espacio-temporal de la radiación solartemporal de la radiación solar).

Utilización del índice de claridad como variable normalizadaíndice de claridad como variable normalizada mejora la predicción de la irradiancia solar diaria mediante redes neuronales. Mejora de RMSE y MAE 0,1091 y 0,4433 frente a [S. Cao y J. Cao, 2005] de 0,9277 y 0,7193.

CONCLUSIONES

29

Simulación de los coeficientesSimulación de los coeficientes de la transformada wavelet mediante métodos lineales autorregresivosmétodos lineales autorregresivos.

Combinación de técnicas cluster y redes autoorganizativas.

Utilización de datos de predicción del datos de predicción del CMWFCMWF como parámetros de entrada de la red neuronal.

Imágenes de satélite Aplicación de nuevas técnicas para modelar movimiento nubesnuevas técnicas para modelar movimiento nubes.

Visión artificial. Predicción coeficiente de nubosidadcoeficiente de nubosidad mediante wavenetswavenets.

Predicción de la radiación solar a largo plazolargo plazo mediante técnicas estadísticas de análisis de componentes principalesanálisis de componentes principales para relacionar los diferentes índices de oscilación índices de oscilación atmosférica (NAO).atmosférica (NAO).

TRABAJOS FUTUROS