Predicción de la producción de energía de un parque fotovoltaico mediante redes neuronales artificiales
Fecha
2019-06
Autores
Herrera Casanova, Reinier
Marrero Rodríguez, Lester Julio
González Rodríguez, Agustín
Llusa Ramos, Yoelvis
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
La energía solar constituye en la actualidad una fuente de energía muy
utilizada por el hombre. Sin embargo, presenta un comportamiento que en ocasiones
resulta extremadamente difícil de prever. Debido a esto deben realizarse varios análisis
con el fin de determinar la expectativa real de generación de los parques fotovoltaicos.
La predicción de la energía que se produce en un parque fotovoltaico presenta una gran
cantidad de aplicaciones, sobre todo en lo referente a la planificación y operación del
sistema eléctrico. En el presente trabajo se realiza el diseño e implementación de una red
neuronal artificial (RNA) mediante el software Matlab, con el objetivo de realizar lapredicción de la energía eléctrica que se produce en el parque fotovoltaico de Cruces en
la provincia de Cienfuegos con el menor error posible. Los resultados que se obtienen
muestran que las predicciones realizadas para diferentes períodos de tiempo y épocas del
año son correctas, lo que demuestra la efectividad del método de predicción utilizado.
Abstract: La energía solar constituye en la actualidad una fuente de energía muy
utilizada por el hombre. Sin embargo, presenta un comportamiento que en ocasiones
resulta extremadamente difícil de prever. Debido a esto deben realizarse varios análisis
con el fin de determinar la expectativa real de generación de los parques fotovoltaicos.
La predicción de la energía que se produce en un parque fotovoltaico presenta una gran
cantidad de aplicaciones, sobre todo en lo referente a la planificación y operación del
sistema eléctrico. En el presente trabajo se realiza el diseño e implementación de una red
neuronal artificial (RNA) mediante el software Matlab, con el objetivo de realizar la
predicción de la energía eléctrica que se produce en el parque fotovoltaico de Cruces en
la provincia de Cienfuegos con el menor error posible. Los resultados que se obtienen
muestran que las predicciones realizadas para diferentes períodos de tiempo y épocas
del año son correctas, lo que demuestra la efectividad del método de predicción utilizado.
Descripción
Palabras clave
Parque Fotovoltaico; Redes Neuronales Artificiales; Predicción
Citación
[1] O. V. Aldoshina and D. V. Tai, “Evaluation and prediction of solar radiation for
energy management based on neural networks,” International Conference on Innovations
in Non-Destructive Testing, 2017. doi :10.1088/1742-6596/881/1/012036.
[2] A. M. Jiménez, Modelos de predicción a corto plazo de la generación eléctrica en
instalaciones fotovoltaicas, Tesis Doctoral, Universidad de la Rioja, 2014.
[3] O. Karner, “ARIMA representation for daily solar irradiance and surface air
temperature time series,” Journal of Atmospheric and Solar-Terrestrial Physics, vol. 71,
pp. 841-847,2009.
[1] O. V. Aldoshina and D. V. Tai, “Evaluation and prediction of solar radiation for
energy management based on neural networks,” International Conference on Innovations
in Non-Destructive Testing, 2017. doi :10.1088/1742-6596/881/1/012036.
[2] A. M. Jiménez, Modelos de predicción a corto plazo de la generación eléctrica en
instalaciones fotovoltaicas, Tesis Doctoral, Universidad de la Rioja, 2014.
[3] O. Karner, “ARIMA representation for daily solar irradiance and surface air
temperature time series,” Journal of Atmospheric and Solar-Terrestrial Physics, vol. 71,
pp. 841-847,2009.
[1] O. V. Aldoshina and D. V. Tai, “Evaluation and prediction of solar radiation for
energy management based on neural networks,” International Conference on Innovations
in Non-Destructive Testing, 2017. doi :10.1088/1742-6596/881/1/012036.
[2] A. M. Jiménez, Modelos de predicción a corto plazo de la generación eléctrica en
instalaciones fotovoltaicas, Tesis Doctoral, Universidad de la Rioja, 2014.
[3] O. Karner, “ARIMA representation for daily solar irradiance and surface air
temperature time series,” Journal of Atmospheric and Solar-Terrestrial Physics, vol. 71,
pp. 841-847,2009.
[4] Y. Li, Y. Su and L. J. Shu, “An ARMAX Model for Forecasting the Power Output of
a Grid Connected Photovoltaic System,” Renewable Energy, Vol. 66, pp. 78-89, 2014.
[5] I. Qasrawi and M. Awad, “Prediction of the Power Output of Solar Cells Using Neural
Networks: Solar Cells Energy Sector in Palestine,” International Journal of Computer
Science and Security (IJCSS), Vol. 9, No. 6, 2015.
[6] W. Xiao, G. Nazario, H. Wu, H. Zhang and F. Cheng, “A neural network based
computational model to predict the output power of different types of photovoltaic cells,”
PLOS ONE, Vol. 12, No. 9, september 2017, doi: 10.1371.
[7] A. Mellit, A. M. Pavan and V. Lughi, “Short-term forecasting of power production in
a large-scale photovoltaic plant,” Solar Enery, Vol. 105, pp. 401-413, 2014.
[8] A. Rashkovska, J. Novljan, M. Smolnikar, M. Mohorcic and C. Fortuna, “Online
short-term forecasting of photovoltaic energy production,” IEEE Power and Society
Innovative Smart Grid Technologies Conference, 2015.
[9] Y. Chu, B. Urquhart, S. M. I. Gohari, H. T. C. Pedro, J. Kleissl and C. F. M. Coimbra,
“Short-term reforecasting of power output from a 48 MWe solar PV plant,” Solar Energy,
Vol. 12, pp. 68-77, 2015.
[10] Z. Li, S. M. M. Rahman, R. Vega and B. Dong, “A hierarchical approach using
machine learning methods in solar photovoltaic energy production forecasting,” Energies,
Vol. 9, No. 1, 2016.
[11] M. Rana, I. Koprinska and V. G. Agelidis, “Univariate and multivariate methods for
very short-term solar photovoltaic power forecasting,” Energy Conversion and
Management, Vol. 121, pp. 380-390, 2016.