Estimación y predicción de la radiación solar mediante el uso de redes neuronales convolucionales, cámaras all sky y datos anemométricos

Abstract

En este proyecto de fin de grado se han generado múltiples modelos de redes neuornales convolucionales capaces de analizar imágenes y datos escalares para obtener como resultado la radiación solar que reciben un conjunto de placas solares. Las bases de datos empleadas están basadas en imágenes de ojo de pez captadas desde la estación meteorológica situada en el laboratorio L1 de la ETSI. Esta información matricial se mapea con datos escalares como la radiación directa, tomada por el pirheliómetro, y se combina con datos relativos a las condiciones atmosféricas. En el caso de estudio, se ha tomado únicamente la información relativa al viento (dirección y velocidad), si bien la estación está diseñada para obtener otro tipo de datos de interés. El objetivo del proyecto ha sido la estimación de radiación solar, enfocada tanto al tiempo real como a la predicción de la misma. Así, se han ejecutado un total de 3 bases de datos distintas: una inicial para la estimación actual de la radiación dado un conjunto de imágenes, una segunda empleada para el entrenamiento de modelos para predicción basada exclusivamente en imágenes; y la última análoga a la anterior pero con la conjunción de datos matriciales (imágenes) y escalares (parámetros del viento) como entrada. El modelo inicial para estimar la radiación actual presenta una configuración simplificada basada en modelos previos como LeNet-5. Este mismo modelo sirve de base para aquéllos posteriores que se entrenarán con el afán de predecir la radiación solar directa. En los modelos asociados a las dos primeras bases de datos se sigue la misma estructura de red; no obstante, debido a la incorporación de datos escalares como inputs del entrenamiento, los modelos generados en el último caso poseen una composición de capas un poco más compleja. Se ha valorado la eficacia que tienen estos modelos y la mejora de los mismos sobre métodos tradicionales empleados. Asimismo, se ha discutido sobre cómo de certeras son las estimaciones predichas conforme el horizonte de predicción aumenta. Como base de este estudio, se ha descrito la problemática actual que genera el uso de las energías renovables en cuanto a la gestión de la información que se extrae mediante la sensorización de dichas plantas. De la misma forma, se han expuesto los resultados obtenidos mediante este trabajo y la utilización de los mismos en soluciones reales y tangibles que podrían ser empleadas en un futuro. En general, los resultados de los modelos han sido bastante satisfactorios, obteniéndose, en la estimación, RMSE de menos de 0,08 y, en relación a la predicción, valores de menos de 0,13. Se ha concluido que la reducción del error viene asociado a la introducción de los parámetros de viento como entrada, observándose que la unión de datos matriciales con escalares de diferente naturaleza favorece al aprendizaje del modelo en gran medida. Para la realización de este proyecto, ha sido necesario obtener nuevas habilidades en relación a programación e investigación en la inteligencia artificial, así como conocimientos sobre la generación de energía eléctrica mediante esta tecnología y su gestión y retos.

In this essay, multiple convolutional neural network models capable of analyzing images and scalar data have been developed to determine the direct solar irradiance stimation and prediction. The databases used are based on "fisheye" images captured from the weather station located in the ETSI’s L1 laboratory. This matrix information is mapped with scalar data such as direct radiation, taken by the pyrheliometer, and combined with data related to atmospheric conditions. In the case study, only information related to wind (direction and speed) has been used, although the station is designed to obtain other relevant data. The aim of the project was to estimate solar radiation, focusing on both real-time estimation and prediction. Thus, a total of three different databases have been created: an initial one for the current estimation of radiation given a set of images; a second one used for training models for prediction based exclusively on images; and the last one, similar to the previous one but with the combination of matrix data (images) and scalar data (wind parameters) as inputs. The initial model for estimating current radiation presents a simplified configuration based on previous models such as LeNet-5. This same model is the basis for those subsequent ones that will be trained with the aim of predicting direct solar radiation. The models associated with the first two databases follow the same network structure; however, due to the incorporation of scalar data as training inputs, the models generated in the latter case have a slightly more complex layer composition. The effectiveness of these models and their improvement over traditional methods used has been evaluated. Furthermore, the accuracy of the predicted values as the prediction horizon increases has been discussed. As the basis of this study, the current issues generated by the use of renewable energies regarding the management of the information extracted through the sensorization of these plants have been described. Likewise, the results obtained through this work and their use in real and tangible solutions that could be employed in the future have been presented. In general, the results of the models have been quite satisfactory, achieving RMSE values of less than 0,08 for estimation and less than 0,13 for prediction. In conclusion, the reduction of error is associated with the introduction of wind parameters as input, observing that the combination of matrix and varied scalar data greatly improves the model’s learning. In order to make this Bachelor’s thesis possible, we have experimented a skill development related to programming and researching about artificial intelligence areas. Additionally, we have acquired knowledge from generating electricity using this technology, also its management and its challenges.