Red neuronal LSTM para pronosticar la radiación solar y la temperatura ambiente en el corto plazo utilizando pronósticos meteorológicos y datos sintéticos para una planta fotovoltaica

La radiación solar es un recurso que ha tomado relevancia en la transición energética mundial pero que presenta varios desafíos que se deben solucionar. La estocasticidad del recurso solar es uno de los desafíos más importantes en la implementación de la transición energética hacia energías renovables por la dificultad que genera en la planificación energética de las plantas fotovoltaicas. Este estudio se enfoca en abordar este desafío utilizando las capacidades que tienen las redes neuronales para realizar pronósticos de variables meteorológicas como la radiación solar y la temperatura ambiente. Basándose en el trabajo previo de Hossain y Mahmood (2020), se adaptó el enfoque de utilizar redes neuronales LSTM con datos sintéticos a la información disponible y las necesidades de la planta fotovoltaica de la Universidad de los Andes, implementando ajustes en el preprocesamiento de datos y la estructura de la red LSTM. La generación de datos sintéticos se realizó mediante la metodología de K-means con el fin de obtener un resultado de cinco clusters donde cada uno representara cada tipo de cielo. Las redes neuronales desarrolladas muestran un rendimiento adecuado, destacando la eficacia de la red neuronal LSTM para predecir la radiación solar, con un MAE promedio de 51.54 vatios y una correlación de Pearson de 0.908 logrando una mejora del 14% con respecto al modelo base que no utiliza datos sintéticos. Por otro lado, la red neuronal para pronosticar la temperatura ambiente logra resultados precisos con un MAE de 0.66 ºC pero no presenta mejoras significativas con respecto al modelo base. La implementación de datos sintéticos en la red neuronal desarrollada permite predecir de manera más precisa los cambios repentinos en la radiación, especialmente en lugares con condiciones meteorológicas cambiantes como Bogotá. La investigación realizada logró respaldar las conclusiones de Hossain y Mahmood (2020), demostrando que la integración de datos sintéticos y pronósticos meteorológicos mejora significativamente las predicciones de variables meteorológicas como la radiación solar.

• Autores: Tovar Macías, Sergio
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/73239
• Acceso en línea: https://hdl.handle.net/1992/73239
• Palabra clave: Transición energética; Red neuronal LSTM; Pronósticos meteorológicos; Energías renovables; Energía fotovoltaica; Ingeniería
• Rights: openAccess
• License: Attribution-NonCommercial 4.0 International