Predicción de la Radiación Solar usando Redes Neuronales Recurrentes para el Dimensionamiento de Plantas Fotovoltaicas

• Jiménez, Diego ^[1] ; Marrero, Secundino ^[1] ; Castañeda, Delia ^[1] ; Fabara, Franklin ^[1] ; Montero, Reineris ^[2]
  1. [1] Universidad Técnica de Cotopaxi

     Universidad Técnica de Cotopaxi

     Latacunga, Ecuador

     
  2. [2] Universidad de Moa, Facultad de Metalurgia -Electromecánica, Moa, Cuba
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 54, Nº. 3, 2024 (Ejemplar dedicado a: Revista Politécnica), págs. 27-34
• Idioma: español
• DOI: 10.33333/rp.vol54n3.03
• Títulos paralelos:
  • Solar Radiation Prediction Using Recurrent Neural Network for the Sizing of Photovoltaic Plants
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo está enfocado en la predicción de la radiación solar para el dimensionamiento de una planta fotovoltaica en la provincia de Pichincha-Ecuador, para lo cual se utilizó el modelo de red neuronal recurrente LSTM (Long Short-Term Memory) mediante el uso del lenguaje de programación Python. El entrenamiento de la red neuronal se realizó a partir de una base de datos histórica de radiación solar de 3 años consecutivos desde el 2 017 hasta el 2 019, mientras que para la validación de la predicción se utilizó los datos del año siguiente (2 020). La estructura de la red neuronal utiliza una primera capa de 70 neuronas, además dos capas ocultas con un dropout de 0.30 y 0.15 para cada capa respectivamente, y una capa de salida con un batch size de 16, un time step de 128 y 500 épocas. Para validar el desempeño de la red neuronal, se utilizan como métricas el error cuadrático medio (MSE), para este caso se obtuvo un MSE de 4.81 %, además se analizó la matriz de confusión la cual presenta valores de exactitud del modelo de 93.73 %, precisión de 62.27 % y una sensibilidad de 38.37 %. Finalmente, utilizando los valores predichos de radiación solar, se realizó el dimensionamiento de la planta fotovoltaica en el lugar establecido mediante el uso del software PVsyst, donde se determinó que el espacio de terreno podría establecer una planta de generación fotovoltaica anual máxima de 8 594 MWh/año bajo las condiciones establecidas en el presente trabajo de investigación.

  • English

    This article is focused on the prediction of solar radiation for the sizing of a photovoltaic plant in the province of Pichincha-Ecuador, for which the LSTM (Long Short-Term Memory) recurrent neural network model was used through the use of the language Python programming. The training of the neural network was carried out using a historical database of solar radiation for 3 consecutive years from 2017 to 2019, while data from the following year (2 020) was used for prediction validation. The neural network structure utilizes a first layer of 70 neurons, along with two hidden layers with dropout rates of 0.30 and 0.15 for each layer respectively, and an output layer with a batch size of 16, a time step of 128, and 500 epochs. To validate the performance of the neural network, metrics such as Mean Squared Error (MSE) are used. In this case, an MSE of 4.81 % was obtained. Additionally, a confusion matrix was analyzed, showing model accuracy values of 93.73 %, precision of 62.27 %, and sensitivity of 38.37 %. Finally, using the predicted values of solar radiation, the sizing of the photovoltaic plant at the designated location was performed using PVsyst software. It was determined that the land area could accommodate a photovoltaic generation plant with a maximum annual output of 8 594 MWh/year under the conditions established in this research work.

     

• Referencias bibliográficas
  • Alkahtani, H., Aldhyani, T. H. H., Alsubari, S. N., Babu, S., Alkahtani, H., Aldhyani, T. H. H., & Alsubari, S. N. (2023). Application...
  • Bandara, K., Bergmeir, C., & Hewamalage, H. (2021). LSTM-MSNet: Leveraging forecasts on sets of related time series with multiple seasonal...
  • Carneiro, T. C., De Carvalho, P. C. M., Dos Santos, H. A., Lima, M. A. F. B., & De Souza Braga, A. P. (2022). Review on Photovoltaic Power...
  • Diez, F. J., Navas-Gracia, L. M., Martínez-Rodríguez, A., Correa-Guimaraes, A., & Chico-Santamarta, L. (2019). Predicción de la irradiación...
  • Gurel, A. E., Agbulut, U., & Bicen, Y. (2020). Assessment of machine learning, time series, response surface methodology and empirical...
  • Koca, A., Oztop, H. F., Varol, Y., & Koca, G. O. (2011). Estimation of solar radiation using artificial neural networks with different...
  • Kulkarni, A., Chong, D., & Batarseh, F. A. (2020). Foundations of data imbalance and solutions for a data democracy. Elsevier. https://doi.org/10.1016/b978-0-12-818366-3.00005-8
  • Li, Y., Liu, Y., Bai, W., Li, B., & Xu, L. (2021). A Data-based Water-inflow Forcasting Method for Small/medium Sized Hydropower Plants...
  • Markus, M. (2007). Artificial Neural Networks. Hydroinformatics: Data Integrative Approaches in Computation, Analysis, and Modeling, 275–320....
  • Mayer, M. J., & Gróf, G. (2021). Extensive comparison of physical models for photovoltaic power forecasting. Applied Energy, 283, 116239....
  • Mukherjee, A., Ain, A., & Dasgupta, P. (2018). Solar Irradiance Prediction from Historical Trends Using Deep Neural Networks. 2018 6th...
  • Pang, Z., Niu, F., & O’Neill, Z. (2020). Solar radiation prediction using recurrent neural network and artificial neural network: A case...
  • Plan Maestro de Electricidad – Ministerio de Energia y Minas. (n.d.). Retrieved January 30, 2024, from https://www.recursosyenergia.gob.ec/plan-maestro-de-electricidad/
  • Rahman, M. H., Xie, C., & Sha, Z. (2021). Predicting sequential design decisions using the function-behavior-structure design process...
  • Salazar-Achig, E.R., Gonzales, J. A., & Hidalgo, C. A. (2023). Flow Prediction for Hydropower Generation using LMST Neural Networks. IOP...
  • Xu, X., Wei, Z., Ji, Q., Wang, C., & Gao, G. (2019). Global renewable energy development: Influencing factors, trend predictions and countermeasures....
  • Yadav, A. K., & Chandel, S. S. (2014). Solar radiation prediction using Artificial Neural Network techniques: A review. Renewable and...
  • Yu, Y., Cao, J., & Zhu, J. (2019). An LSTM Short-Term Solar Irradiance Forecasting Under Complicated Weather Conditions. In IEEE Access...