Desarrollo de modelos de predicción de radiación solar mediante técnicas de machine learning

Abstract

[Resumen] La creciente demanda de paneles solares en los últimos años ha hecho que cada vez más empresas se dediquen por completo a la instalación de paneles fotovoltaicos o captadores solares con el fin de aprovechar al máximo la energía solar. Ya sea para un huerto solar o para conseguir edificios más eficientes energéticamente, el disponer de predicciones de radiación solar y, por tanto, de la producción de electricidad o de calor, facilita la toma de decisiones y permite realizar una gestión óptima de la producción y demanda de energía. Sin embargo, la predicción de la radiación solar es un desafío importante debido, entre otros factores, a su alta variabilidad espacial y temporal y a la influencia de las condiciones atmosféricas. Este trabajo presenta una comparación de modelos de predicción de radiación solar desarrollados mediante técnicas de aprendizaje automático utilizando datos históricos de la Plataforma Solar de Almería. Los resultados obtenidos resultan prometedores ya que, en la mayoría de los casos, se han obtenido errores inferiores al 12 %.

[Abstract] In recent years, the growing demand for solar panels has led an increasing number of companies to focus on installing both photovoltaic panels and solar collectors in order to take advantage of solar energy. Whether it is a solar farm or an energy-efficient building, the availability of predictions of solar radiation, and therefore of electricity and heat production, facilitates decision making and allows the development of optimal management strategies for energy production and demand. However, the prediction of solar radiation is a major challenge due to, among other factors, its high spatial and temporal variability and the influence of atmospheric conditions. This paper presents a comparison of solar radiation prediction models developed using machine learning techniques and historical data from the Solar Platform of Almería. The results obtained are promising since, in most cases, an error less than 12% has been obtained.