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.
Descargar Referencia Bibliográfica