Previsão em curto prazo de índice de claridade utilizando redes neurais e variáveis sazonais

• Autores: Sabino, Edson Ricardo; Petribú, Leonardo; Barros, H.; Costa, A.; Castro Vilela, Olga de
• Año de publicación: 2017
• Idioma: portugués
• Tipo de recurso: artículo
• Materia: Ingeniería; Ciencias Exactas; Energía solar; predicciones; redes neuronales; índice de claridad; modelos autoregresivos; solar energy; forecasting; neural networks; clearness index; autoregressive models
• Institución: Universidad Nacional de La Plata

Este trabajo busca contribuir a la predicción de la radiación solar horaria en horizontes de hasta 12 horas adelante. Para ello, han sido empleadas Redes Neuronales (ANNs) del tipo Perceptron Multicapa. A su vez, dichas redes han empleado, como variables regresoras, datos horarios de Índice de Claridad (Kt) y variables determinísticas estacionales con el propósito de mejorar la comprensión en cuanto a las características de estacionalidad diaria y anual de la serie de Kt para un emplazamiento en Petrolina-PE-Brasil. El objetivo es comparar los resultados logrados con el empleo de dichas variables estacionales (que, entre otros aspectos, tienen características de variables difusas - fuzzy variables) con aquellos logrados por otros modelos reportados por diferentes autores como las mismas ANNs sin las variables estacionales, los Modelos Autoregresivos y la Persistencia. El error (nRMSD) del modelo final ha variado entre 17,8% y 25,7% para horizontes de predicción desde 1 hasta 12 horas adelante. Las ANNs han superado el desempeño de la Persistencia y del Modelo Autoregresivo. Se ha demostrado que el empleo de las variables estacionales ha mejorado las predicciones de Kt realizadas por las ANNs.
This work aims to improve solar radiation forecast for horizons up to 12 hours ahead. In this sense, Neural Networks (ANN) of Multilayer Perceptron type were proposed, using as regressive variables, hourly clearness index (Kt) and seasonal deterministic variables, with the purpose of enhancing the understanding on the characteristics of daily and annual seasonal of Kt series for the city of Petrolina-PE-Brazil. The objective is to compare the results obtained with the use of such seasonal variables (which, among other aspects, have characteristics of fuzzy variables) with results of other models reported in the literature, such as ANNs without the use of seasonal variables, the Auto-Regressive Model and Persistence. The error (nRMSD) associated with the final model differs from 17.8% to 25.7% for horizons from 1 to 12 hours ahead. Neural networks surpassed the Persistence and the Autoregressive Model. It was proved that the use of the seasonal variables improved the results of Kt predictions using ANNs.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)