Presentado por:
LUIS MARTÍN POMARES
DEPARTAMENTO DE ENERGÍADivisión de Energías Renovables
Plataforma Solar de Almería
Conferencia sobre Energías Renovables y Tecnologías del AguaRoquetas de Mar
5, 6 y 7 de octubre de 2006CIERTA 2006
13 de abril de 2023
PREDICCIÓN DE LA IRADIANCIA SOLAR DIARIA A PARTIR DE IMÁGENES DE
SATELITE
2
PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
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
4
PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
5
RADIACIÓN SOLAR
0I
bIDI
Componentes de la radiación solar sobre superficie horizontal cosG b DI I I
Índice de claridad ó transparencia atmosférica 0
Gt
Ik
I
RADIACIÓN REFLEJADA
POR LAS NUBES Ios
RADIACIÓN DIFUSA
RADIACIÓN DIRECTA
SCATTERINGABSORCIÓN
Ea
RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE Its
RADIACIÓN EXTRATERRESTRE
Índice de cielo claro
Gcs
cs sky
Ik
I
Es
6
TELEDETECCIÓN RADIACIÓN SOLAR
0I
bIDI
Balance energético del sistema Tierra-Atmósfera
Radiación absorvida por la tierra
RADIACIÓN REFLEJADA
POR LAS NUBES Ios
RADIACIÓN DIFUSA
RADIACIÓN DIRECTA
SCATTERINGABSORCIÓN
Ea
RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE Its
RADIACIÓN EXTRATERRESTRE
Es
tas EEII 0
)1( AIE Gt
ase0g EIIA1
1I
7
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 SATELITARIOS
DATOS PIRANOMÉTRICOS
Valor_Coruña Gh_Coruña Valor_Madrid Gh_Madrid Valor_Murcia Gh_Murcia ..... ...... ..... ......
RELACIÓN
TRATAMIENTO DE IMÁGENES MEDIANTE MODELOS ESTADÍSTICOS
8IMAGEN ORIGINAL C. NUBOSIDAD KT HORARIO
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
METODOLOGÍA
9
Imagen original09/04/94
slot 21= 10 a 10:30
Brillancia
A. aparente 09/04/94
slot 21= 10 a 10:30
Albedo x 100
C. nubosidad 09/04/94
slot 21= 10 a 10:30refnub
refapn
C. de nubosidad x 100
),( , refan
A. Referencia 09/04/94Actualizado mediante
Filtro adaptativo
Albedo x 100
DETERMINACIÓN DEL COEFICIENTE DE NUBOSIDAD
10
C. nubosidad 09/04/94 slot 21
I. Claridad 09/04/94 slot 21
C. de nubosidad x 100
I. de claridad x 100
)7473,07438,07690,0
7050,07136,07153,0(
8073,0060,0
NTCTST
NMCMSM
nKGh
Utilizando los datos medidos en tierra simultáneamente a los tres años de imágenes de satélite, se entrena una expresión en la que se añaden a la nubosidad variables 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:
mañana (slot = 21) o tarde (slot = 25 o 27)
DETERMINACIÓN DEL ÍNDICE DE CLARIDAD HORARIO
11
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).
KGh slot 21KGh slot 25
KGh slot 27 PARA CADA DÍA 94/95/96/97/98
I. de claridad diario
MOD
I. de claridad x 100
I. de claridad x 100
CVCPOCI
DVDPODI
KKKK GhGhGhGd
0323,00299,00241,0
0172,00193,00251,0
2671,02498,03794,0321
DETERMINACIÓN DEL ÍNDICE DE CLARIDAD DIARIO
12
PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
13
ANÁLISIS ESPECTRAL DE SEÑALES
Transformada de Fourier
Problema: La transformada de FourierNo es adecuada para analizar señales
No estacionarias
Transformada Wavelet Continua
14
TRANSFORMADA WAVELET DISCRETA
Análisis Piramidal de la señal y descomposición de la señal en múltiples niveles mediante filtro paso baja y paso alta
BajaFrecuencia Alta
FrecuenciacD1cA1
cA2 cD2
cA3 cD3
Kt
15
DESCOMPOSICIÓN DE LA SEÑAL
0 50 100 150 200 250 300 3500
0.5
1Señal Original
Kt
0 50 100 150 200 250 300 3500
0.5
1Señal Aproximación 3
Kt
0 50 100 150 200 250 300 350-0.5
0
0.5Señal Detalle 1
Kt
0 50 100 150 200 250 300 350-0.5
0
0.5Señal Detalle 2
Kt
0 50 100 150 200 250 300 350-0.2
0
0.2Señal Detalle 3
Kt
0 50 100 150 200 250 300 3500
0.5
1Señal Reconstruida
Kt
Dia Juliano
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 una conexión
Signo del peso de una conexión
Efecto combinado de las sinápsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida
17
REDES NEURONALES - Estructura
CaracterísticasCaracterísticas•Adaptatividad y autoorganización de la red para nuevos patrones de entrada.•Procesamiento no lineal•Procesamiento en paralelo de las señales
18
PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
19
MODELOS PREDICCIÓN: Perceptrón multicapa
Kt
Kt(x)
Kt(x-1)...Kt(x-k)
Kt(x+1)
20
RESULTADOS
Mean Absolute Error (MAE)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 2 4 6 8 10 12
NN(X)
MA
E
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Mean Squared Error (MSE)
-0,1
0
0,1
0,2
0,3
0,4
0,5
0 2 4 6 8 10 12
NN(X)
MS
E
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Coeficiente Correlación (R)
0
0,1
0,2
0,3
0,4
0,5
0,6
0 2 4 6 8 10 12
NN(X)
R
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo Red Neuronal Estructura
Modelo 1 1 Nodo
Modelo 2 7-1
Modelo 3 5-3-1
Modelo 4 7-5-3-1
21
MODELOS PREDICCIÓN: Wavenet
DW
DW
Kt
aD1(x)
aD1(x-1)...aD1(x-k)
aD1(x+1)•aD1
•aD2
•aD3
•aA3
aD2(x)…aD2(x-k)
aD3(x)…aD2(x-k)
aD2(x)…aD2(x-k)
aD2(x+1)
aD3(x+1)
aA1(x+1)
IDW
Kt(x+1)
22
RESULTADOS
Modelo Red Neuronal Estructura
Modelo 1 1 Nodo
Modelo 2 7-1
Modelo 3 5-3-1(cA)7-5-3-1(cD)
Modelo 4 7-5-3-1
Mean Absolute Error (MAE)
0
0,5
1
1,5
2
2,5
3
1 2 3 4 5 6 7 8 9 10
NN(X)
MA
E
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Coeficiente Correlación (R)
0
0,2
0,4
0,6
0,8
1
1,2
1 2 3 4 5 6 7 8 9 10
NN(X)
R
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Mean Squared Error (MSE)
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8 9 10
NN(X)
MS
E
Modelo 1
Modelo 2
Modelo 3
Modelo 4
23
Predicción Coeficientes Transformada Wavelet
0 50 100 150 200 250 300 3500.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9Coeficientes Transformada Wavelet Aproximacion 1
Día Juliano0 50 100 150 200 250 300 350
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3Coeficientes Transformada Wavelet Detalle 1
Día Juliano
0 50 100 150 200 250 300 350-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3Coeficientes Transformada Wavelet Detalle 2
Día Juliano0 50 100 150 200 250 300 350
-0.2
-0.1
0
0.1
0.2Coeficientes Transformada Wavelet Detalle 3
Día Juliano
Señal Original
Señal Predecida
24
Predicción Coeficientes Transformada Wavelet
0 50 100 150 200 250 300 350-0.2
0
0.2
0.4
0.6
0.8
1
1.2Predicción Kt
Día Juliano
Kt
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Kt Original
Pre
dic
ció
n K
t
0 50 100 150 200 250 300 3500
0.05
0.1
0.15
0.2
0.25Error Absoluto
Día Juliano
Err
or P
redi
cció
n K
t
25
PREDICCIÓN IRADIANCIA SOLAR
1. INTRODUCCIÓN
2. TRATAMIENTO IMÁGENES SATÉLITE
3. METEODOLOGÍA PREDICCIÓN
4. RESULTADOS
5. CONCLUSIONES
26
Necesidad predicción radiación solar (RD 436/2004RD 436/2004).
Datos de tierra previos menor error predicciónDatos de tierra previos menor error 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 no haya datos previos disponiblesdisponibles. Estimación de la radiación solar a partir de imágenes de satélite como alternativa (distribución espacio-distribución espacio-temporal de la radiación solartemporal de la radiación solar).
Utilización del índice de claridad como variable normalizadaíndice 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.
CONCLUSIONES
Top Related