Forskare från Universidad Politécnica de Madrid och Nicaraguan Institute of Territorial Studies har utvecklat en teknik för att göra exakta förutsägelser av kortsiktig global solinstrålning (GSI) med hjälp av artificiella neurala nätverk (ANN).
Studien introducerar en ny metodik baserad på observationer som görs parallellt av närliggande sensorer och värden för flera variabler (temperatur, fuktighet, tryck, vind och andra uppskattningar). Experiment utfördes med hjälp av artificiella neurala nätverk med olika arkitekturer och parametrar för att avgöra vilken av dessa som genererade de bästa förutsägelserna för de olika tidsramar som studerades.
Resultaten gjorde det möjligt för forskare att utveckla modeller som förutsäger kortsiktig GSI med felfrekvenser på mindre än 20 procent. Detta kan vara användbart för företag som hanterar både solcellsanläggningar och solvärmeverk att uppskatta produktionskapaciteten för sina installationer.
En stor utmaning för det moderna samhället är effektiv användning av naturresurser och minimering av miljöpåverkan på grund av den ökade efterfrågan och förbrukningen av energi. Således, förnybar energi, speciellt solenergi, har blivit en långsiktig lösning med större potential mindre påverkan.
Särskilt, solcellsenergi kan kopplas till transport- och distributionsnät, men det kräver att tillgång och efterfrågan på energi hanteras på ett adekvat sätt. Därför, förutsägelsen av GSI inom några timmar och med en minimal felfrekvens krävs för att uppskatta den förväntade energiproduktionen.
Olika metoder används för att uppskatta global solinstrålning inklusive numeriska förutsägelser baserade på platser och tid kompletterat med olika korrigeringsmodeller, metoder baserade på satellitbilder som registrerar molnigheten och uppskattar förlusterna i den ideala modellen. Andra modeller är baserade på tidsserier eller artificiell intelligens. Varje metod har fördelar och nackdelar. Till exempel, den satellitbaserade förutsägelsen har visat sig vara universell eftersom den ger uppskattningar för stora geografiska områden. Dock, det beror på tillgängligheten av sådana bilder för vissa regioner på planeten och förbearbetningen av bilderna, bland annat.
När det gäller förutsägelser baserade på numeriska metoder, atmosfärens dynamik uppskattas på ett realistiskt sätt genom assimilering av data. Dock, de garanterar den allmänna stabiliteten i prognosen på lokala meteorologiska händelser. Än så länge, metoderna baserade på artificiell intelligens använder endast de endogena indatavariablerna som är associerade med platsen för förutsägelsen.
Studien som utfördes av UPM- och INETER-forskare fokuserade på hypotesen att det var möjligt att förbättra den kortsiktiga prognosen för global solinstrålning genom att generera modeller baserade på artificiella neurala nätverk med upp till 900 ingångar som visar utvecklingen av variabler i ett närliggande rumsligt -tidsmässigt sammanhang.
Forskningsresultaten visar förmågan hos de utvecklade modellerna baserade på artificiella neurala nätverk att identifiera både linjära och icke-linjära samband mellan variablerna. Författarna skriver, "Detta har gjort det möjligt för oss att förutsäga den kortsiktiga globala solinstrålningen med en betydande prognosskicklighet och normaliserat rotmedelvärdefel på mindre än 20 procent jämfört med resten av modellerna baserade på artificiella neurala nätverk. Dessutom, de utvecklade metoderna har gjort det möjligt för oss att identifiera ett samband mellan förutsägelserna via ett glidande tidsfönster på en till tre timmar och fyra till sex timmar angående referensavståndet på 55 km. Detta kan leda till en forskningslinje för att använda olika referensavstånd för olika förutsägelsereglagefönster."
Dessa resultat har tillämpningar för företag som hanterar både solcellsanläggningar och solvärmeverk för att uppskatta produktionskapaciteten för sina installationer enligt gällande lagstiftning, och operatörerna av nationella elsystem. Båda områdena kan använda dessa metoder för att uppnå sina mål mer effektivt, maximera avkastningen på investeringen och justera kurvan för efterfrågan och utbud.
