Modelado estadístico y semi-empírico para la estimación de la radiación solar horizontal utilizando técnicas de Machine Learning e imágenes de satélite

• Autores: Iturbide, Paula
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Suárez, Rodrigo Alonso; Ronchetti, Franco
• Materia: Ciencias Informáticas; Radiación solar; Machine Learning; Imágenes satelitales; GOES-16
• Institución: Universidad Nacional de La Plata

Conocer la disponibilidad del recurso solar es fundamental para el desarrollo de proyectos que aprovechan esta fuente de energía. La incertidumbre en su estimación reviste gran importancia para estos emprendimientos. Argentina dispone de una red de estaciones de medición de radiación solar a partir de la cual se generan mapas mensuales. Sin embargo, esta información es limitada debido a su distribución espacial, ya que solo se pueden realizar mediciones precisas en ciertos puntos del país. Para superar esta limitación, es común utilizar modelos que emplean imágenes satelitales para estimar la radiación solar, ya que ofrecen una mayor cobertura espacial. En este trabajo se desarrolla y valida un modelo empírico basado en Machine Learning (ML) con el objetivo de mejorar la precisión de estas estimaciones en la región estudiada. Esto proporciona a los proyectos de energía solar una mayor certeza en la disponibilidad de recursos, lo que facilita la toma de decisiones. En esta tesis, se utilizan como entrada variables obtenidas de imágenes del satélite meteorológico geoestacionario GOES-16, estimaciones del modelo de cielo despejado McClear y variables calculadas de forma geométrica. Los resultados indican que la información proveniente de las imágenes satelitales es suficiente para estimar el recurso solar de manera precisa. En resumen, esta investigación tiene como objetivo desarrollar un modelo empírico de estimación de radiación solar en intervalos de 10 minutos en el plano horizontal, utilizando técnicas de Machine Learning y datos de modelos físicos de cielo despejado, así como variables estimadas a partir de imágenes satelitales. Se plantean dos enfoques diferentes: uno puramente estadístico y otro semiempírico, ambos basados en Machine Learning, para determinar cuál estrategia es más eficaz en la región estudiada. El primer método utiliza variables derivadas de imágenes satelitales junto con el modelo McClear, permitiendo al algoritmo de ML estimar directamente la radiación solar global. El segundo método utiliza las mismas variables satelitales, excepto el modelo de cielo despejado. En este caso, el algoritmo de ML aprende el comportamiento de la radiación solar global únicamente a partir de las variables derivadas de las imágenes satelitales. Se realiza una comparación entre ambos métodos para determinar cuál es más adecuado para la región. Adicionalmente, se comparan los resultados de los modelos de ML con estimaciones de modelos preexistentes para la región que incorporan modelado físico, como el Heliosat-4 y el CIM-ESRA. Para realizar esta comparación, se adaptan estos modelos al sitio mediante ajustes lineales o mapeos cuantílicos, eligiendo el método que ofrece mejores métricas de desempeño. También se implementa el modelo CIM-McClear para tener una referencia adicional. Los resultados muestran que los modelos de ML logran un mejor rendimiento. Finalmente, se realiza una extrapolación espacial utilizando un modelo de red neuronal entrenado con datos de Luján para el período 2019-2021, validando su desempeño en estaciones ubicadas a distancias considerables. Los resultados mostraron que el modelo mantiene un buen nivel de precisión y capacidad de generalización en estas ubicaciones, aunque con variaciones en el error cuadrático medio según la estación y el año de prueba.
Magister en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática