Pronóstico de generación fotovoltaico de largo plazo aplicando técnicas de machine learning

Freddy Quinatoa-Lema; Carlos Quinatoa-Caiza

Autores/as

Quinatoa-Lema Freddy Universidad Técnica de Cotopaxi. Latacunga, Ecuador. https://orcid.org/0009-0000-6076-0923
Quinatoa-Caiza Carlos Universidad Técnica de Cotopaxi. Latacunga, Ecuador. https://orcid.org/0000-0001-6369-7480

Palabras clave:

Sistemas Fotovoltaicos, Largo Plazo, Estimación, Potencial Solar

Resumen

DOI: https://doi.org/10.46296/ig.v7i14.0224

Resumen

En el siguiente proyecto de investigación articula la formulación de un modelo predictivo de recursos solares que emplea metodologías de machine learning a largo plazo donde se construye en fases secuenciales, aprovechando los conceptos pertinentes al análisis de datos históricos y basando su arquitectura en metodologías de machine learning. Se presenta una exposición de la amplia gama de técnicas de machine learning utilizadas en la predicción global de los recursos primarios y se establecen criterios para la selección de técnicas en función de su relevancia para las distintas fases del modelo, también se prepara meticulosamente una síntesis completa sobre la utilización de la estimación y la predicción de los recursos primarios como componentes integrales de la planificación estratégica de los sistemas fotovoltaicos a largo plazo; se formula el modelo y se articulan escenarios de simulación que son pertinentes al clima ecuatoriano, que sirven como un instrumento para estimar el potencial solar que se puede emplear para discernir y enfatizar la importancia de los datos como elementos fundamentales en los procesos de toma de decisiones involucrados en la planificación de las fuentes de energía se caracteriza por la variabilidad de los recursos primarios.

Palabras clave: Sistemas Fotovoltaicos, Largo Plazo, Estimación, Potencial Solar.

Abstract

The following subsequent research articulates the formulation of a predictive solar resource model employing long-term machine learning methodologies where it is built in sequential phases, taking advantage of concepts relevant to historical data analysis and basing its architecture on machine learning methodologies. An exposition of the wide range of machine learning techniques used in global primary resource prediction is presented and criteria are established for the selection of techniques based on their relevance to the different phases of the model, a comprehensive synthesis on the use of primary resource estimation and prediction as integral components of long-term strategic planning of photovoltaic systems is also meticulously prepared; the model is formulated and simulation scenarios are articulated that are relevant to the Ecuadorian climate, which serve as a tool for estimating solar potential that can be used to discern and emphasize the importance of data as fundamental elements in the decision-making processes involved in planning energy sources characterized by the variability of primary resources.

Keywords: Photovoltaic Systems, Long-term, Estimate, Solar Potential.

Información del manuscrito:
Fecha de recepción: 15 de abril de 2024.
Fecha de aceptación: 25 de junio de 2024.
Fecha de publicación: 10 de julio de 2024.

Citas

Anuradha, K., Erlapally, D., Karuna, G., Srilakshmi, V., & Adilakshmi, K. (2021). Analysis Of Solar Power Generation Forecasting Using Machine Learning Techniques. E3S Web of Conferences, 309. https://doi.org/10.1051/e3sconf/202130901163

Aparicio, M. P. (2020). Solar radiation and its energy use. Marcombo. https://books.google.com.ec/books?id=YkxOEAAAQBAJ

Bontempi, G., Ben Taieb, S., & Le Borgne, Y.-A. (2013). Machine Learning Strategies for Time Series Forecasting. In Lecture Notes in Business Information Processing (Vol. 138, p. 6). https://doi.org/10.1007/978-3-642-36318-4_3

Castillo, J. I. R. (2015). Analysis of the operation of photovoltaic panels and their use in the coastal and highland regions of Ecuador, case study: Pompeu Fabra Library in Mataró. 99. https://api.semanticscholar.org/CorpusID:161044152

Chen, J.-L., Liu, H.-B., Wu, W., & Xie, D.-T. (2011). Estimation of monthly solar radiation from measured temperatures using support vector machines – A case study. Renewable Energy, 36(1), 413–420. https://doi.org/https://doi.org/10.1016/j.renene.2010.06.024

Constante, J., & Palacios, E. (2014). Solar Resource For Power Generation. In Universidad Politécnica Salesiana. http://www.dspace.ups.edu.ec/handle/123456789/6791

Cuesta, M., Constante, J., & Jijón, D. (2023). Solar Radiation and Ambient Temperature Prediction Modeling by Recurrent Neural Networks. Revista Técnica “Energía,” 19(2), PP. 81–89. https://doi.org/10.37116/revistaenergia.v19.n2.2023.552

Echegaray, C., Masabanda-Caisaguano, M., Rodriguez Espinosa, F., Toulkeridis, T., Mato, F., & Alegria, A. (2018). Solar Energy Potential in Ecuador. Proceedings of the IEEE, 1, 46–51. https://doi.org/10.1109/ICEDEG.2018.8372318

Sandoval Serrano, L. J. (2018). Machine learning algorithms for data analysis and forecasting. Revista Tecnológica, 11, 1–2. http://redicces.org.sv/jspui/bitstream/10972/3626/1/Art6_RT2018.pdf

Sharkawy, A.-N., Ali, M., Mousa, H., Ali, A., & Abdel-Jaber, G. (2022). Machine Learning Method for Solar PV Output Power Prediction. SVU-International Journal of Engineering Sciences and Application, 3(1), 123–130. https://doi.org/10.21608/svusrc.2022.157039.1066

Voyant, C., Notton, G., Kalogirou, S., Nivet, M.-L., Paoli, C., Motte, F., & Fouilloy, A. (2017). Machine Learning methods for solar radiation forecasting: a review. Renewable Energy, 105. https://doi.org/10.1016/j.renene.2016.12.095