Predicción de generación fotovoltaica con técnicas de aprendizaje supervisado

• Autores: Herrera Martinez, Walter; Moreno, Analía; Reybet, Ana Clara; Saint André, Simón
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Ingeniería; Ciencias Exactas; Energía solar; generación; aprendizaje supervisado; Random Forest
• Institución: Universidad Nacional de La Plata

En el siguiente trabajo se realizó la predicción de la potencia generada por un conjunto de módulos fotovoltaicos ubicado en el edificio 42 del Centro Atómico Constituyentes (CAC) de la Comisión Nacional de Energía Atómica (CNEA). Se efectuó un preprocesamiento de tres años de datos de generación recolectados del inversor fotovoltaico, y posteriormente se determinó a partir de diferentes métodos de aprendizaje supervisado y su análisis, que el método con el algoritmo de Random Forest presentó el comportamiento más adecuado para realizar una predicción respecto a los datos de generación fotovoltaica reales. Una vez elegido el método de aprendizaje, se optimizaron los parámetros y se analizaron qué variables características son las más influyentes en los resultados. Finalmente se obtuvo la energía producida por el conjunto de módulos a partir de la generación predicha y se comparó con los datos reales, obteniendo coeficientes de determinación mayores a 0,9.
In this work was carried out the power prediction generated by a set of photovoltaic modules located in 42´s Constituyentes Atomic Center (CAC) building of the National Atomic Energy Commission (CNEA). A preprocessing of three years of photovoltaic generation data, collected from the inverter to which the modules are connected, was conducted. Later it was determined that the method with the Random Forest algorithm presented the most suitable behavior to make a prediction regarding the real photovoltaic generation data. After choosing the learning method, parameters were optimized and analyzed to determine which characteristic variables are the most influential in the results. Finally, the energy produced by the modules was obtained from the predicted generation and it was compared with the real data, obtaining coefficients of determination greater than 0.9.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)