Este documento describe un método para predecir la irradiancia solar diaria utilizando imágenes de satélite. El método incluye el tratamiento de imágenes para determinar el coeficiente de nubosidad, el índice de claridad horario y el índice de claridad diario. Luego, se usan redes neuronales como modelos de predicción, incluyendo perceptrones multicapa y modelos wavelet. Los resultados muestran que los modelos de redes neuronales pueden predecir con éxito la irradiancia solar con errores medios absolutos y cu

1. PREDICCIÓN DE LA IRADIANCIA
SOLAR DIARIA A PARTIR DE IMÁGENES DE
SATELITE
Presentado por:
LUIS MARTÍN POMARES
DEPARTAMENTO DE ENERGÍA
División de Energías Renovables
Plataforma Solar de Almería
Conferencia sobre Energías Renovables y Tecnologías del Agua
Roquetas de Mar
5, 6 y 7 de octubre de 2006
CIERTA 2006
15 de abril de 2013

2. PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES
SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
2

3. PREDICCIÓN: DEFINICIONES PREVIAS
 Necesidad de caracterizar y predecir la
radiación solar para ser usada como recurso
energético (RD 436/2004).
 Técnicas de Predicción:
1. Modelos de predicción numérica (NWP)
2. Predicción basada en métodos estadísticos
 Horizonte de Predicción
 Nowcasting: menos de una hora
 Corto plazo: 1 hora – 1 semana
 Medio plazo: 1 semana – 1 año
 Largo Plazo: más de un año. Estudios climáticos
3

4. PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES
SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
4

5. RADIACIÓN SOLAR
Componentes de la radiación solar sobre superficie horizontal IG = Ib cosθ + ID
Índice de claridad ó transparencia atmosférica I
kt = G
Índice de cielo claro
I0
IG
kcs =
Ics − sky
RADIACIÓN REFLEJADA
RADIACIÓN
EXTRATERRESTRE POR LAS NUBES Ios
I0 RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE Its
ABSORCIÓN
SCATTERING
Ea
Ib Es
ID RADIACIÓN DIRECTA
RADIACIÓN DIFUSA
5

6. TELEDETECCIÓN RADIACIÓN SOLAR
Balance energético del sistema Tierra-Atmósfera I 0 = I s + E a + Et
Radiación absorvida por la tierra Et = I G (1 − A)
Ig =
1
1− A
(
I0 e − Is − Ea )
RADIACIÓN REFLEJADA
RADIACIÓN
EXTRATERRESTRE POR LAS NUBES Ios
I0 RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE Its
ABSORCIÓN
SCATTERING
Ea
Ib Es
ID RADIACIÓN DIRECTA
RADIACIÓN DIFUSA
6

7. TRATAMIENTO DE IMÁGENES MEDIANTE
MODELOS ESTADÍSTICOS
Basados en relaciones entre:
 La medida piranométrica de la radiación solar.
 El valor de la cuenta digital simultánea del satélite.
(correspondiente a la localización del sensor)
DATOS DATOS
SATELITARIOS PIRANOMÉTRICOS
Valor_Coruña Gh_Coruña
Valor_Madrid Gh_Madrid
Valor_Murcia Gh_Murcia
..... ......
..... ......
RELACIÓN
7

8. METODOLOGÍA
PASOS A CONSIDERAR:
(Aplicación al tratamiento de los años 1994/95/96/97/98 de imágenes, y datos
de 15 estaciones durante 10 años en España)
1. COEFICIENTE DE NUBOSIDAD
2. ÍNDICE DE CLARIDAD HORARIO
3. ÍNDICE DE CLARIDAD DIARIO
4. PREDICCIÓN DEL ÍNDICE DE CLARIDAD DIARIO
IMAGEN ORIGINAL C. NUBOSIDAD KT HORARIO
8

9. DETERMINACIÓN DEL COEFICIENTE DE
NUBOSIDAD
A. Referencia 09/04/94
Imagen original Actualizado mediante
Brillancia
09/04/94 Filtro adaptativo
slot 21= 10 a 10:30
( ρ n , a ,σ ρ ref )
A. aparente
Albedo x 100
Albedo x 100
09/04/94
slot 21= 10 a 10:30
ρ ap − ρ ref
C. de nubosidad x 100
C. nubosidad
09/04/94 n=
slot 21= 10 a 10:30 ρ nub − ρ ref
9

10. DETERMINACIÓN DEL ÍNDICE DE
CLARIDAD HORARIO
Utilizando los datos medidos en tierra simultáneamente a C. nubosidad
los tres años de imágenes de satélite, se entrena una 09/04/94 slot 21
expresión en la que se añaden a la nubosidad variables
C. de nubosidad x 100
explicativas como: la declinación, y seis variables
cualitativas binarias, fruto de la combinación de seis
situaciones posibles:
Latitud:
sur (<38º), centro (38º<centro<42º) o norte (>42º).
Hora del día:
I. Claridad
mañana (slot = 21) o tarde (slot = 25 o 27) 09/04/94 slot 21
I. de claridad x 100
K Gh = 0,060 ⋅ δ − 0,8073 ⋅ n +
(0,7153 ⋅ SM + 0,7136 ⋅ CM + 0,7050 ⋅ NM
+ 0,7690 ⋅ ST + 0,7438 ⋅ CT + 0,7473 ⋅ NT )
10

11. DETERMINACIÓN DEL ÍNDICE DE
CLARIDAD DIARIO
KGh slot 27 PARA CADA DÍA 94/95/96/97/98
KGh slot 25
KGh slot 21 I. de claridad diario
I. de claridad x 100
I. de claridad x 100
MOD
K Gd = 0,3794 ⋅ K Gh1 + 0,2498 ⋅ K Gh2 + 0,2671 ⋅ K Gh3
+ 0,0251 ⋅ DI + 0,0193 ⋅ DPO + 0,0172 ⋅ DV
+ 0,0241 ⋅ CI + 0,0299 ⋅ CPO + 0,0323 ⋅ CV
Donde además de los índices de claridad de las tres horas disponibles, como variables explicativas
se introducen seis variables cualitativas binarias fruto de la combinación de seis situaciones
posibles:
Día juliano: I (invierno, si mes= 11,12,1 ó 2)
PO (primavera u otoño, si mes= 3,4,9 ó 10),
V (verano, si mes= 5,6,7 u 8).
Tipo de día: C (cubierto, si <0.5), D (despejado, si >0.5). 11

12. PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES
SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
12

13. ANÁLISIS ESPECTRAL DE
SEÑALES
Transformada de Fourier Transformada Wavelet Continua
Problema: La transformada de Fourier
No es adecuada para analizar señales
No estacionarias
13

14. TRANSFORMADA WAVELET DISCRETA
Análisis Piramidal de la señal y descomposición de la señal en
múltiples niveles mediante filtro paso baja y paso alta
Baja
Kt
Frecuencia Alta
cA1 cD1 Frecuencia
cA2 cD2
cA3 cD3
14

15. DESCOMPOSICIÓN DE LA SEÑAL
S ñ O in
e al rig al
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
Se al Apro im ció 3
ñ x a n
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 1
lle
0.5
Kt
0
-0.5
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 2
lle
0.5
Kt
0
-0.5
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 3
lle
0.2
Kt
0
-0.2
0 50 1 0
0 150 200 250 300 350
S ñ R co
e al e nstruida
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
D Ju
ia liano
15

16. NEURONA ARTIFICIAL
Redes Neuronales Biológicas Redes Neuronales Artificiales
Neuronas Unidades de proceso
Conexiones sinápticas Conexiones ponderadas
Efectividad de las sinápsis Peso de las conexiones
Efecto excitatorio o inhibitorio de Signo del peso de una conexión
una conexión
Efecto combinado de las sinápsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida
16

17. REDES NEURONALES - Estructura
Características
•Adaptatividad y
autoorganización de la red
para nuevos patrones de
entrada.
•Procesamiento no lineal
•Procesamiento en paralelo de
las señales
17

18. PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES
SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
18

19. MODELOS PREDICCIÓN: Perceptrón
multicapa
Kt(x)
Kt Kt(x-1)
.
.
Kt(x+1)
.
Kt(x-k)
19

20. RESULTADOS
Mean Absolute Error (M AE)
Modelo Red Neuronal Estructura 1
0,9
0,8
Modelo 1 1 Nodo 0,7
0,6
Modelo 1
MAE
Modelo 2
Modelo 2 7-1
0,5
Modelo 3
0,4
Modelo 4
0,3
Modelo 3 5-3-1 0,2
0,1
Modelo 4 7-5-3-1 0
0 2 4 6 8 10 12
NN(X)
Coeficiente Correlación (R) Mean Squared Error (MSE)
0,6 0,5
0,5 0,4
Modelo 1
0,4 Modelo 1
Modelo 2 0,3
0,3 Modelo 2
R
MSE
Modelo 3 0,2
0,2 Modelo 3
Modelo 4 0,1
0,1 Modelo 4
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
-0,1
NN(X)
20
NN(X)

21. MODELOS PREDICCIÓN: Wavenet
aD1(x)
aD1(x-1) DWψ aD1(x+1)
Kt •aD1 .
.
.
DWaD1(x-k)
ψ
aD2(x)…aD2(x-k)
•aD2 aD2(x+1)
aD3(x)…aD2(x-k) IDWψ
•aD3 aD3(x+1)
aD2(x)…aD2(x-k)
•aA3 aA1(x+1) Kt(x+1)
21

22. RESULTADOS
Mean Absolute Error (MAE)
Modelo Red Neuronal Estructura
3
2,5
Modelo 1 1 Nodo 2 Modelo 1
MAE
Modelo 2
Modelo 2 7-1 1,5
Modelo 3
1 Modelo 4
Modelo 3 5-3-1(cA) 0,5
7-5-3-1(cD) 0
1 2 3 4 5 6 7 8 9 10
Modelo 4 7-5-3-1 NN(X)
Coeficiente Correlación (R) Mean Squared Error (MSE)
1,2 0,5
1
Modelo 1 0,4
0,8 Modelo 1
Modelo 2 0,3 Modelo 2
MSE
0,6
R
Modelo 3 0,2 Modelo 3
0,4
Modelo 4 Modelo 4
0,2 0,1
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
NN(X) NN(X)
22

23. Predicción Coeficientes Transformada
Wavelet
Coeficientes Transformada Wavelet Aproximacion 1 Coeficientes Transformada Wavelet Detalle 1
0.9 0.3
0.8 0.2
0.7 0.1
0.6 0
0.5 -0.1
0.4 -0.2
Señal Original
0.3 -0.3
Señal Predecida
0.2 -0.4
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Día Juliano Día Juliano
Coeficientes Transformada Wavelet Detalle 2 Coeficientes Transformada Wavelet Detalle 3
0.3 0.2
0.2
0.1
0.1
0
0
-0.1
-0.2
-0.1
-0.3
-0.4 -0.2
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Día Juliano Día Juliano
23

24. Predicción Coeficientes Transformada
Wavelet
P redic c ión K t Error Absoluto
1.2 0.25
0.2
1
Error Predicción Kt
0.15
0.8
0.1
0.6 0.05
Kt
0
0.4 0 50 100 150 200 250 300 350
Día Juliano
1
0.9
0.2 0.8
0.7
Predicción Kt
0.6
0 0.5
0.4
0.3
0.2
-0.2
0 50 100 150 200 250 300 350 0.1
Día Juliano 0
0 0.1 0.2
24
0.3 0.4 0.5
Kt Original
0.6 0.7 0.8 0.9 1

25. PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES
SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
25

26. CONCLUSIONES
Necesidad predicción radiación solar (RD 436/2004).
436/2004
Datos de tierra previos menor error predicción.
predicción
Técnicas mediante imágenes de satélite tienen error
intrínseco por modelo HELIOSAT pero son ideales para la
predicción en lugares donde no haya datos previos
disponibles. Estimación de la radiación solar a partir de
disponibles
imágenes de satélite como alternativa (distribución espacio-
temporal de la radiación solar).
solar
Utilización del índice de claridad como variable normalizada
mejora la predicción de la irradiancia solar diaria mediante
redes neuronales. Mejora de RMSE y MAE  0,1091 y 0,4433
frente a [S. Cao y J. Cao, 2005] de 0,9277 y 0,7193.
26