'Deep learning' para mejorar la predicción de la energía solar fotovoltaica

Ingenieros e investigadores del Instituto Tecnológico de Galicia (ITG) proponen un nuevo enfoque para mejorar la precisión de la predicción de la energía solar fotovoltaica a corto plazo, mediante el uso de un modelo de Deep Learning denominado "Temporal Fusion Transformer" (TFT).

Los resultados han sido publicados en la revista científica Energies, en el artículo Application of Temporal Fusion Transformer for Day-Ahead PV Power Forecasting cuyos autores son Miguel López Santos, Xela García-Santiago, Fernando Echevarría Camarero, Gonzalo Blázquez Gil y Pablo Carrasco Ortega.

La energía generada por un sistema solar fotovoltaico depende de factores externos como las condiciones meteorológicas y la radiación solar, lo que hace que su predicción sea compleja. Los métodos tradicionales utilizados para la predicción de la generación de energía fotovoltaica presentan ciertas limitaciones, y este nuevo enfoque permite mejorar la precisión de la predicción utilizando un modelo de Deep Learning capaz de aprender relaciones temporales a corto y largo plazo.

Los nuevos métodos relacionados con la predicción de la generación tienen un gran impacto en la planificación y gestión de la energía, ya que permiten a los ingenieros prever la generación de energía solar con mayor precisión y gestionar mejor la variabilidad de la producción. La precisión mejorada de la predicción también puede ayudar a reducir los costos de la energía solar y aumentar su eficiencia.

Algoritmo TFT

Los autores utilizan datos de generación de instalaciones de energía solar fotovoltaica en Alemania y en Australia, y aplican TFT para modelar estos sistemas. Se trata de un modelo de aprendizaje profundo que utiliza técnicas de atención para detectar patrones temporales en los datos, estás técnicas además permiten la interpretabilidad de los patrones aprendidos por el modelo.

El algoritmo TFT aprende a partir de datos históricos de producción y los combina con datos de irradiación, ángulos solares, temperatura, humedad, velocidad de viento o precipitación, entre otros.

Los resultados muestran que el modelo TFT supera a otros métodos de predicción de energía solar en los casos analizados y tiene una precisión significativamente mayor.

También se ha llevado a cabo una evaluación de la incertidumbre en la predicción, demostrando que se puede proporcionar una estimación precisa de ésta. Además, se realiza un análisis de sensibilidad para evaluar la robustez del modelo en diferentes condiciones de entrada y muestran que TFT es resistente a los cambios en la calidad y la frecuencia de los datos de entrada.

En la actualidad el Instituto Tecnológico de Galicia está trabajando en la integración de estos modelos en una herramienta de software diseñada para la predicción de la generación renovable y para la verificación del correcto rendimiento en instalaciones de producción.