Diseño de una solución para la predicción a corto plazo de radiación solar en la región de la Comunidad de Castilla y León, España, para la gestión de proyectos de generación fotovoltaica

Abstract

RESUMEN : La energía solar fotovoltaica es una de las principales soluciones para mitigar el cambio climático. Sin embargo, la variabilidad de la radiación solar percibida por los paneles solares presenta un desafío técnico y operacional significativo. Esta variabilidad se debe a la interacción de la luz solar con la atmósfera, resultando en una radiación solar percibida diferente a la teórica. Esta monografía aborda la predicción de la radiación solar a diferentes escalas temporales, utilizando datos de una estación meteorológica en Castilla y León, España, para el período 2002-2010. Para realizar las predicciones, se emplean Redes Neuronales Recurrentes (RNN), Long Short-Term Memory (LSTM) y Gated Recurrent Units (GRU). El desempeño de estos modelos se evalúa mediante métricas usadas comúnmente en la evaluación del desempeño de técnicas de aprendizaje profundo como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) y el Error Porcentual Absoluto Medio (MAPE), permitiendo comparar la precisión y exactitud de las predicciones entre los distintos modelos.

ABSTRACT : Photovoltaic solar energy is one of the main solutions to mitigate climate change. However, the variability of solar radiation perceived by solar panels presents a significant technical and operational challenge. This variability is due to the interaction of sunlight with the atmosphere, resulting in perceived solar radiation different from the theoretical one. This monograph addresses the prediction of solar radiation at different temporal scales, using data from a weather station in Castilla y León, Spain, for the period 2002-2010. To make the predictions, Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU) are employed. The performance of these models is evaluated using deep learning metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and Mean Absolute Percentage Error (MAPE), allowing for a comparison of the precision and accuracy of the predictions among the different models.