1. PREDICCIÓN DE LA RADIACIÓN
SOLAR DIARIA
Presentado por:
LUIS MARTÍN POMARES
Aplicaciones Medioambientales de la Radiación Solar
y Evaluación de Recursos Solares
DEPARTAMENTO DE ENERGÍA
División de Energías Renovables
Plataforma Solar de Almería
15 de abril de 2013

2. PREDICCIÓN RADIACIÓN SOLAR
1. OBJETIVOS
2. REVISIÓN TÉCNICAS
PREDICTIVAS
3. METEODOLOGÍA
4. RESULTADOS
5. CONCLUSIONES Y FUTUROS
TRABAJOS
2

3. OBJETIVOS
 Revisión de modelos de predicción de
la radiación solar.
 Modelos Estadísiticos
 Modelos de salida estadísitca (MOS)
 Modelos autorregresivos
 Modelos basados en redes neuronales
 Predicción a partir de imágenes de satélite
 Ensayo de técnicas estadísticas
predicción del índice de claridad
diario.
3

4. PREDICCIÓN RADIACIÓN SOLAR
1. OBJETIVOS
2. REVISIÓN TÉCNICAS
PREDICTIVAS
3. METEODOLOGÍA
4. RESULTADOS
5. CONCLUSIONES Y FUTUROS
TRABAJOS
4

5. 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
5

6. 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 POR LAS NUBES
EXTRATERRESTRE
I0 RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE
ABSORCIÓN
SCATTERING
Ib
ID RADIACIÓN DIRECTA
RADIACIÓN DIFUSA
6

7. COEFICICIENTE DE COBERTURA NUBOSA
Imagen original Albedo aparente (ρ ) Albedo Ref. (ρg )
ρ - ρg
Albedo nubes (ρn )
n=
ρn - ρ g
C. C. Nubosa (n )
7

8. PREDICCIÓN IRRADIANCIA SOLAR
DIARIA
Primer Trabajo:
J. S. Jensenius y G. F. Cotton, 1981:
The development and testing of automated Solar energy forecasts based
on the model output statistics (MOS) technique.
MOS: relaciona elementos meteorológicos observados
(predictando) a variables apropiadas (predictores) mediante una
aproximación estadística lineal.
Utiliza principalmente como predictores variables que determinan
la nubosidad: humedad relativa media, punto de rocío, velocidad
vertical (z),….
Predicción del índice de claridad y irradiancia total mediante
ecuaciones individuales para cada estación y ecuaciones
regionalizadas.
8

9. PREDICCIÓN RADIACIÓN SOLAR DIARIA
REDES NEURONALES
REDES NEURONALES + WAVELET: IRRADIANCIA SOLAR DIARIA TOTAL (MJ/m2)
Cao S, Cao J. Forecast of solar irradiance using recurrent neural networks
combined with wavelet analysis. Applied Thermal Engineering 2005 Feb;25(2-
3):161-72.
Mellit, A., Benghanem, M. y Kalogirou, S. A., 2006. An adaptive wavelet-network
model for forecasting daily total solar-radiation. Applied Energy 83, 705-722.
RED NEURONAL MULTIETAPA
KEMMOKU, Y., ORITA, S., NAKAGAWA, S. y SAKAKIBARA, T., 1999.
DAILY INSOLATION FORECASTING USING A MULTI-STAGE NEURAL NETWORK. Solar Energy 66, 193-199.
9

10. PREDICCIÓN Kcs
R.Perez, K Moore, S.Wilcox, D.Renné y A.Zelenka. Forecasting Solar Radiation -
Preliminary evaluation of an approach based upon the national forecast data
base, 2005.
IG
a) Relación lineal índice de cobertura nubosa: = g ( SK )
I clear − sky
b) Formula original de Kaste y Czeplak:
IG
I clear − sky
(
= 1 − 0, 75 ( N 8 )
3,4
)
IG
c) Nueva aproximación desarrollada: = ( 1 − 0,87 SK 1,9 )
I clear − sky
10

11. PREDICCIÓN RADIACIÓN SOLAR A
PARTIR DE IMÁGENES DE SATELITE
Annette Hammer, Detlev Heinemann, Carster Hoyer, Elke Lorenz. Satellite based short-term
forecasting of solar irradiance - comparison of methods and error analysis. 2000.
11

12. PREDICCIÓN RADIACIÓN SOLAR A
PARTIR DE IMÁGENES DE SATELITE
Modelo de predicción del movimiento basado en vectores
de campo de movimiento y redes neuronales
12

13. PREDICCIÓN RADIACIÓN SOLAR
1. OBJETIVOS
2. REVISIÓN TÉCNICAS
PREDICTIVAS
3. METEODOLOGÍA
4. RESULTADOS
5. CONCLUSIONES Y FUTUROS
TRABAJOS
13

14. ANÁLISIS ESPECTRAL DE
SEÑALES
Transformada de Fourier Transformada Wavelet Continua
Problema: La transformada de Fourier
No es adecuada para analizar señales
No estacionarias
14

15. 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
16

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
17

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
18

18. PREDICCIÓN RADIACIÓN SOLAR
1. OBJETIVOS
2. REVISIÓN TÉCNICAS
PREDICTIVAS
3. METEODOLOGÍA
4. RESULTADOS
5. CONCLUSIONES Y FUTUROS
TRABAJOS
19

19. DATOS EXPERIMENTALES
DATOS PIRANOMÉTRICOS Número de días disponibles por mes
Índice de transparencia atmosférica (datos filtrados)
20

20. MODELOS PREDICCIÓN: Perceptrón
multicapa
Kt(x)
Kt Kt(x-1)
.
.
Kt(x+1)
.
Kt(x-k)
21

21. 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)
22
NN(X)

22. 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)
23

23. 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)
24

24. 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
25

25. 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
26
0.3 0.4 0.5
Kt Original
0.6 0.7 0.8 0.9 1

26. PREDICCIÓN RADIACIÓN SOLAR
1. OBJETIVOS
2. REVISIÓN TÉCNICAS
PREDICTIVAS
3. METEODOLOGÍA
4. RESULTADOS
5. CONCLUSIONES Y FUTUROS
TRABAJOS
27

27. 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.
28

28. TRABAJOS FUTUROS
Simulación de los coeficientes de la transformada wavelet
mediante métodos lineales autorregresivos.
autorregresivos
Combinación de técnicas cluster y redes autoorganizativas.
Utilización de datos de predicción del CMWF como
parámetros de entrada de la red neuronal.
Imágenes de satélite
 Aplicación de nuevas técnicas para modelar movimiento nubes.
nubes
Visión artificial.
 Predicción coeficiente de nubosidad mediante wavenets.
wavenets
Predicción de la radiación solar a largo plazo mediante
técnicas estadísticas de análisis de componentes principales
para relacionar los diferentes índices de oscilación
atmosférica (NAO).
29