Predicción de generación fotovoltaica utilizando el modelo de memoria a corto plazo de aprendizaje profundo
DOI:
https://doi.org/10.5935/jetia.v8i33.802Resumen
La energía solar fotovoltaica es una fuente de energía renovable, limpia y segura que actualmente se utiliza en todo el mundo. Sin embargo, presenta un comportamiento dinámico e intermitente, provocado por la variación de las condiciones climáticas. Debido a esto, ha sido necesario desarrollar diferentes métodos para la predicción de la energía generada en sistemas fotovoltaicos. El presente trabajo se centra en analizar la predicción de la potencia generada en una planta fotovoltaica conectada a la red, mediante el modelo de aprendizaje profundo Long Short-Term Memory (LSTM). Para la realización del estudio se utiliza una base de datos obtenida de la planta fotovoltaica de la Universidad Central “Marta Abreu” de Las Villas (UCLV) con una potencia nominal instalada de 1,1 MW. Inicialmente se analiza la correlación entre las diferentes variables con respecto a la potencia fotovoltaica generada, luego se implementa el modelo LSTM para realizar la predicción. Los resultados obtenidos muestran que las predicciones realizadas para diferentes horizontes temporales y para días con diferente comportamiento son adecuadas, lo que demuestra la efectividad de este método de predicción.
Descargas
Referencias
R. Ahmed., et al., “A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization”, Renew Sustain Energy Rev, vol. 124, pp. 109792, March 2020, doi: 10.1016/j.rser.2020.109792.
S. Zhang, J. Wang, H. Liu, J. Tong & Z. Sun, “Prediction of energy photovoltaic power generation based on artificial intelligence algorithm”, Neural Computing and Applications, vol. 33, no 3, pp. 821-835, 2021, doi:10.1007/s00521-020-05249-z.
A. Nespoli, et al., “Day-ahead photovoltaic forecasting: a comparison of the most effective techniques”, Energies, vol. 12, no. 9, pp. 1621, 2019, doi:10.3390/en12091621.
T. Fan, T. Sun, H. Liu, X. Xie, & Z. Na, “Spatial-Temporal Genetic-Based Attention Networks for Short-Term Photovoltaic Power Forecasting”, in IEEE Access, vol. 9, pp. 138762-138774, 2021, doi: 10.1109/ACCESS.2021.3108453.
M. N Akhter., S. Mekhilef, H. Mokhlis, & N. M Shah., “Review on forecasting of photovoltaic power generation based on machine learning and Metaheuristic techniques”, IET Renew. Power Gener., vol. 13, no. 7, pp. 1009–1023, May 2019, doi:10.1049/iet-rpg.2018.5649.
M. S. Mahdi, M. Longo, & F. Foiadelli, “A-Day-Ahead Photovoltaic Power Prediction Based on Long Short Term Memory Algorithm”, 2020 International Conference on Smart Energy Systems and Technologies (SEST). IEEE, pp. 1-6, 2020, doi: 10.1109/SEST48500.2020.9203481.
B. Sivaneasan, C. Y. Yu & K. P Goh., “Solar forecasting using ANN with fuzzy logic pre- processing”, Energy Procedia, vol. 143, pp. 727–32, 2017, doi: 10.1016/j.egypro.2017.12.75.
M. Q. Raza, N. Mithulananthan, J. Li., K. Y. Lee, & H. B. Gooi, “An ensemble framework for day-ahead forecast of PV output power in smart grids”, IEEE Transactions on Industrial Informatics, vol. 15, no. 8, pp. 4624–4634, Aug. 2019.
B. Wolff, J. Kühnert, E. Lorenz, O. Kramer, D. Heinemann, “Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data”, Sol Energy, vol. 135, pp. 197–208, 2016, doi: 10.1016/j.solener.2016.05.05.
Z. Chen, Y. Chen, L. Wu, S. Cheng, P. Lin, L.You, “Accurate modeling of photovoltaic modules using a 1-d deep residual network based on iv characteristics”, Energy Conversion and Management, vol. 186, pp. 168-187, 2019, doi: 10.1016/j.enconman.2019.02.032.
F. Harrou, F. Kadri, & Y. Sun, “Forecasting of Photovoltaic Solar Power Production Using LSTM Approach”, In Advanced Statistical Modeling, Forecasting, and Fault Detection in Renewable Energy Systems, London, UK: IntechOpen, 2020.
J. Zhang, R. Verschae, S. Nobuhara, J-F. Lalonde, “Deep photovoltaic nowcasting”, Sol Energy, vol. 176, pp. 267–276, 2018, doi.org/10.1016/j.solener.2018.10.024.
L. Wen, K. Zhou, S. Yang, X. Lu, “Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting”, Energy, vol. 171, pp. 1053–1065, 2019, doi: 10.1016/j.energy.2019.01.075.
R. Zhang, M. Feng, W. Zhang, S. Lu, F. Wang, “Forecast of solar energy production - a deep learning approach”, In: 2018 IEEE international conference on big knowledge. ICBK), pp. 73–82, 2018.
M. S. Hossain and H. Mahmood, “Short-Term Photovoltaic Power Forecasting Using an LSTM Neural Network and Synthetic Weather Forecast”, in IEEE Access, vol. 8, pp. 172524-172533, 2020, doi: 10.1109/ACCESS.2020.3024901.
Z. Pang, F. Niu, Z. O’NEILL, “Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons”, Renewable Energy, vol. 156, pp. 279-289, 2020, doi: 10.1016/j.renene.2020.04.04.
A. Sherstinsky, “Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network”, Phys. D: Nonlinear Phenomena, vol. 404, Art. no. 132306, 2020, doi: 10.1016/j.physd.2019.132306.
Y. Ding, Y. Zhu, J. Feng, P. Zhang & Z. Cheng, “Interpretable spatio-temporal attention LSTM model for flood forecasting”, Neurocomputing, vol. 403, pp. 348–359, 2020, doi: 10.1016/j.neucom.2020.04.110.
