Evaluación de métodos supervisados de aprendizaje automático en pronósticos solares intra-horarios

Abstract

En el último tiempo, el planeta se ha visto sometido ante la crisis climática, un fenómeno que atenta contra su prosperidad producto de las elevadas emisiones de gases de efecto invernadero. En base a lo anterior se requiere una acción rápida, sobre todo por parte de las industrias con mayor cuota de responsabilidad, como lo es el sector energético. Afortunadamente, a nivel nacional, ha habido un gran incremento en la incorporación de fuentes de energías limpias, entre ellas, la de mayor contribución a la matriz energética, la energía solar fotovoltaica (PV). Si bien esto es algo positivo, trae consigo nuevos desafíos a futuro para los agentes involucrados en la logística del sistema energético nacional, principalmente dada la dependencia a las condiciones meteorológicas que presenta la energía PV. Esto ha generado un alza en el desarrollo e investigación de modelos de pronóstico de irradiancia solar incidente, que permitan reducir la incertidumbre producida por las fluctuaciones en el recurso solar de manera confiable, contribuyendo a la operación de un sistema interconectado más eficiente. En función de lo anterior, el presente trabajo de título se enfoca en desarrollar y evaluar modelos de pronóstico de irradiancia solar de corto plazo, desarrollados por métodos de aprendizaje automático para la localidad de Tocopilla, región de Antofagasta, en el norte de Chile. Para lograr lo anterior se proponen cuatro métodos de aprendizaje automático a desarrollar: k-Nearest Neighbors (kNN), Gradient Boosting (GB) y dos arquitecturas de redes neuronales, una red neuronal Feed Forward (FFNN) y otra red recurrente, Long-Short Term Memory (LSTM), los cuales son evaluados para predicciones con distintos horizontes de tiempo intra-horarios. Especialmente, se evalúan sus desempeños individuales en base a su distribución de error para dos componentes de irradiancia, la global (GHI) y la directa (DNI), además de comparar en relación a un método de referencia, en este caso kNN, los otros tres métodos restantes. Los resultados muestran que los cuatros modelos evaluados presentan desempeños satisfactorios para la predicción de irradiancia GHI y DNI para horizontes de tiempo menores a 30 minutos. Con horizontes de tiempo superiores, la red LSTM es la que logra sobrellevar esta complicación, presentando la menor distribución de error, entregando así un pronóstico confiable y preciso. En este aspecto, este método presenta la mayor capacidad de pronóstico para todos los escenarios evaluados, con un errores de pronóstico MAE que van desde un 0.04% a un 1.98% en el mejor y peor escenario respectivamente, lo que llega a ser hasta un 27% menor que el método de referencia usado para GHI e incluso presenta una diferencia aún mayor en el caso de DNI, reafirmando así la utilidad de su capacidad de recursión y memoria selectiva inherente de la red LSTM respecto a sus rivales.