Identificación de muestras de irradiancia solar de cielo claro mediante aprendizaje automático no supervisado

• Autores: Rivera-Lera, Nicolás; Manrique, Miriam; Salazar, Germán Ariel; Ledesma, Rubén; Laguarda, Agustín
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Arquitectura; Ingeniería; Irradiancia solar en plano horizontal; Cielo claro; Clústeres; Modelos de cielo claro; Global horizontal irradiance; Clear-sky; Clustering; Clear-sky models
• Institución: Universidad Nacional de La Plata

Este trabajo presenta un enfoque para la detección de muestras de cielo claro a partir del análisis de series temporales de Irradiancia Global Horizontal (GHI) y técnicas del tipo no supervisadas de machine learning. Además, propone un modelo local de cielo claro ajustado mediante regresión tipo potencia sobre la Irradiancia Horizontal en el tope de la atmósfera, sobre las muestras obtenidas. Se desarrolló un detector de muestras de cielo claro basado en umbrales de derivadas (primera y segunda), clustering no supervisado utilizando el modelo Gaussian Mixture Models y análisis de densidad de datos vecinos para ser aplicados sobre una serie de GHI. La aplicación de este detector se realizó sobre datos de GHI provenientes del sitio Desert Rock (Estados Unidos) a escala de 1 minuto, extraídos de la red Surface Radiation Budget Network (SURFRAD). Se contrastaron las muestras detectadas con el algoritmo de Reno y Hansen (2016), utilizado como referencia. Estas muestras mostraron más del 90% de coincidencia. El modelo de cielo claro obtenido presentó métricas menores a un 10% en rRMSE con el modelo McClear.
This work presents an approach for detecting clear-sky samples from the analysis of Global Horizontal Irradiance (GHI) time series using unsupervised machine learning techniques. In addition, it proposes a local clear-sky model fitted through a power-law regression on top-of-atmosphere (TOA) irradiance, using the detected samples. The detector was developed based on first- and secondorder derivative thresholds, unsupervised clustering using the Gaussian Mixture Models (GMM) algorithm, and neighborhood density analysis, applied to a GHI time series. The method was tested on 1-minute GHI data from the Desert Rock site (USA), obtained from the SURFRAD network. The detected samples were compared to those identified by the RENO-2016 algorithm, used as a reference, showing over 90% agreement. The resulting clear-sky model achieved relative RMSE values below 10% compared to the McClear model.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)