Reconstrucción de series de irradiancia global horizontal con huecos sintéticos mediante modelos de machine learning y datos satelitales : Caso de estudio: El Rosal, Salta

• Autores: López Ruiz, Constanza B.; Ledesma, Rubén D.; Salazar, Germán A.; Galdiño, Janis
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Arquitectura; Ingeniería; Irradiancia solar; Machine learning; CAMS; ERAS; Series temporales; Gap filling; Solar irradiance; Time series
• Institución: Universidad Nacional de La Plata

La radiación solar global sobre plano horizontal (GHI) es clave para el diseño y optimización de sistemas de energía solar, pero sus registros suelen presentar datos faltantes originados en fallas de instrumentación o mantenimiento. Este trabajo compara tres estrategias basadas en Machine Learning —regresión lineal simple (SLR), regresión lineal múltiple (MLR) y perceptrón multicapa (MLP)— para la imputación de datos faltantes. También se emplean productos satelitales (CAMS), de reanálisis (ERA5) y estimaciones del modelo ARGP2 para mejorar la precisión de las predicciones. Para evaluar el desempeño de los modelos, se generaron huecos sintéticos de manera semi-aleatoria, en una serie de GHI de la localidad El Rosal, Salta, Argentina. En todos los casos el MLP logró los menores errores (rRMSD entre 18 % y 21 %), seguido por MLR (rRMSD entre 20 % y 24 %) y SLR (rRMSD entre 21 % y 26 %).
Global Horizontal Irradiance (GHI) is a key variable for the design and optimization of solar energy systems, but its records often contain missing data due to instrument failures or maintenance. This work compares three machine-learning-based imputation strategies —simple linear regression (SLR), multiple linear regression (MLR) and multilayer perceptron (MLP)— for filling missing data. Satellite products (CAMS), reanalysis data (ERA5) and estimates from the ARGP2 model are also used to improve prediction accuracy. To evaluate model performance, synthetic gaps were generated semi-randomly in a GHI time series from El Rosal, Salta, Argentina. In all cases MLP achieved the lowest errors (rRMSD entre 18 % y 21 %), followed by MLR (rRMSD entre20 % y 24 %) and SLR (rRMSD entre 21 % y 26 %).
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)