luis martin jornada becarios 2006
TRANSCRIPT
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