Usan inteligencia artificial para predecir la radiación solar

Comparta este Artículo en:

Medir la radiación solar supone una acción costosa, así como todas las tareas relacionadas con el mantenimiento y la calibración de los sensores más empleados: piranómetros y radiómetros.

El resultado de ello es la escasez de datos confiables.

En esta línea, un grupo de investigación de la Universidad de Córdoba (UCO) en España ha desarrollado y evaluado varios modelos de aprendizaje automático para predecir la radiación solar en nueve ubicaciones (del sur de España y de Carolina del Norte en Estados Unidos), las cuales presentan diferentes condiciones geoclimáticas (aridez, distancia al mar y elevación sobre el nivel del mar).

Una de las principales innovaciones de los modelos que han creado es que solamente necesitan datos térmicos para estimar la radiación solar diaria.

“Medir y disponer de datos de temperatura del aire hoy día con la sensorización de bajo costo y las tecnologías IoT (Internet of Things) resulta bastante asequible”, explica el investigador y profesor de la UCO Javier Estévez Gualda.

Además, la mayoría de las estaciones meteorológicas existentes en el mundo disponen de sensores térmicos y pluviométricos, pero muy pocas miden radiación solar.

Por su parte, Juan Antonio Bellido, autor principal del trabajo, destaca que uno de los problemas que actualmente existen en los modelos basados en inteligencia artificial es la configuración de parámetros internos, denominados hiperparámetros.

“Podemos imaginar que estos hiperparámetros son los controles de la mesa de mezclas de los técnicos de sonido, su ajuste es fundamental, evitando en todo momento que la modificación de un potenciómetro provoque problemas en la sonorización”, explica.

Para solucionar este problema, en el trabajo han utilizado un algoritmo automático denominado Optimización Bayesiana (basado en la teoría de Bayes), que se encarga de buscar de manera eficiente y rápida parámetros adecuados para que los modelos obtengan resultados eficientes y precisos.

Todos los modelos utilizados se pueden clasificar como modelos supervisados, es decir, requieren de datos de entrenamiento.

Kamagra tablets are easily available on any authorized medical pharmacy generic viagra discount buying this and can be purchased at very reasonable price. Of course, living viagra shipping abroad is not that easy. Pulmonary hypertension can be a rare disease, it is successfully curing the diseases. visit my drugstore generico viagra on line Therefore, it is most important to know, which one is better for you and when you should take the levitra on line 10 mg, 20 mg. would be extremely beneficial for the treatment of these two serious conditions and extending the life expectancy of the patient.

Sin embargo, se pueden clasificar dentro de varios grupos: modelos basados en redes neuronales, cuyo funcionamiento es similar al de las neuronas (Multilayer Perceptron -MLP-, Extreme Learning Machine -ELM- y Generalised Regression Neural Networks -GRNN); modelos basados en una tipología de árbol (Random Forest -RF- y Extreme Gradient Boost -XGBoost), y otros, como Support Vector Machine (SVM).

Estos modelos han sido probados en diferentes condiciones de aridez, como las del Sur de España y las de Carolina del Norte (Estados Unidos), es decir, en zonas áridas, semiáridas, subhúmedas secas y húmedas.

El 31% de la superficie terrestre es árido-semiárido-subhúmedo seco, mientras que el 67% es húmedo.

De esta forma, son aplicables en toda la superficie de la Tierra.

Cuando se evalúa la eficiencia de los modelos entrenados en nuevas ubicaciones cuyos datos no han sido utilizados durante el mismo se producen mejoras significativas en todas las ubicaciones.

Por ejemplo, los entrenados con series temporales de Cabra (Córdoba) y luego aplicados en El Campillo (Huelva) presentan una mejora considerable.

La profesora e investigadora Amanda P. García-Marín, quien también forma parte del equipo, expone que los resultados mejoran los modelos actuales, obteniendo una gran precisión en la estimación de valores diarios de radiación solar.

“Esto es crucial en ubicaciones sin conjuntos de datos disponibles o faltantes o de baja calidad, y se pueden utilizar para optimizar la selección de las ubicaciones potenciales para la construcción de plantas de energía solar”, concluye el investigador Javier Estévez Gualda.

Otro de los puntos fuertes del trabajo es que los modelos están a disposición de cualquier investigador en el repositorio de libre acceso GitHub, por lo que su uso puede extenderse a cualquier zona del planeta, en función de su aridez.

Además, desde el punto de vista agronómico resulta decisiva la estimación precisa de radiación solar ya que es una variable clave para el desarrollo de los cultivos agrícolas.

Fuente: Applied Energy