Forskare vid Universidad Carlos III de Madrid (UC3M) och Universidad de Jaen (UJA) har publicerat en studie som rapporterar en optimal blandning av solstrålningsprognosmodeller med vilka de kan minska fel i korttidsprognoser (6 timmar) med 25 % och 30 %.

Forskningsprojektet har fokuserat på att förbättra kortsiktiga solstrålningsprognoser för den iberiska halvön, på en minutskala, en timskala och en dagsskala. Specifikt, fem typer av modeller analyserades:baserade på molnkammare, mått, satellitbilder, väderprognoser, och en hybrid av de två sista. För det här syftet, forskarna valde ut fyra meteorologiska stationer som representativa områden för bedömningen i Sevilla, Lissabon, Madrid och Jaen.

I två år, båda forskargrupperna har delat upp sitt arbete i två delar. Å ena sidan, gruppen Evolutionary Computation and Neural Networks (EVANNAI) vid UC3M har fokuserat på att tillämpa artificiell intelligens för att välja den bästa modellen eller kombinationen av modeller för varje meteorologisk situation, plats och tidshorisont, samt att få fram prediktionsintervall för att uppskatta osäkerheten i prognoserna. Å andra sidan, Atmosphere and Solar Radiation Modeling (MATRAS) Group vid UJA har fokuserat på design och förbättring av olika metoder för prognostisering av solstrålning, för vilka de har använt olika metoder som molnkammare, satellitbilder och meteorologiska modeller.

Det mest slående resultatet som erhållits i denna forskning är att den optimala modelleringskombinationen sänker prognosfelet med cirka 30 % med avseende på de bästa modellerna i varje tidshorisont. "Det här är första gången som fem oberoende modeller har jämförts, och tack vare artificiell intelligens och matematisk bearbetning, vi har kunnat minska felmarginalen i varje prognoshorisont, vilket innebär en ekonomisk besparing eftersom det minskar kostnaderna för solenergiintegration, " förklarade projektkoordinator David Pozo, professor i tillämpad fysik vid UJA.

"Användningen av artificiell intelligens och specifikt maskininlärningstekniker gör att prognoserna för olika modeller kan integreras automatiskt och effektivt, med själva modellen som ger den bästa prognosen för varje tidshorisont. Vidare, Användningen av evolutionära optimeringstekniker gör det möjligt att kvantifiera osäkerheten för var och en av prognoserna. Införlivandet av dessa nya tekniker i samband med förnybar energi har lett till viktiga förbättringar i förhållande till de ursprungliga teknikerna, " förklarade Inés M. Galván och Ricardo Aler, docent vid datavetenskaps- och teknikavdelningen.

Forskarna har bestämt det ögonblick av tidshorisonten under vilken varje modell är mer tillförlitlig, som händer, till exempel, med användning av satellitbilder under de första två eller tre timmarna eller användning av den numeriska väderprognosmodellen efter den fjärde eller femte timmen. Och bl.a. den har också dragit slutsatsen att prognoser nära kustområden är svårare även inom en timmes marginal.

En del av denna studie har publicerats i två artiklar i den vetenskapliga tidskriften Solenergi , och en annan del är i granskningsprocessen för andra tidskrifter.