Solar radiation forecasting with non lineal statistical techniques and qualit...
Cies 2008 luis martín
1. COMPARACIÓN DE TÉCNICAS PREDICTIVAS
BASADAS EN SERIES TEMPORALES APLICADAS
AL ÍNDICE DE CLARIDAD SEMIDIARIO
Martín L., Zarzalejo L.F., Polo J., Navarro A., Marchante R.
Presentado por:
LUIS MARTÍN POMARES
DEPARTAMENTO DE ENERGÍA
División de Energías Renovables
XIV Congreso Ibérico y IX Iberoamericano
de Energía Solar
Vigo
17 - 21 de junio de 2008
CIES 2008
15 de abril de 2013
3. ÍNDICE DE CLARIDAD
Componentes de la radiación solar sobre superficie horizontal IG = Ib cosθ + ID
Índice de claridad ó transparencia atmosférica I
kt = G
Índice de cielo claro
I0
IG
kcs =
Ics − sky
RADIACIÓN REFLEJADA
RADIACIÓN
EXTRATERRESTRE POR LAS NUBES Ios
I0 RADIACIÓN REFLEJADA
POR EL ALBEDO TERRESTRE Its
ABSORCIÓN
SCATTERING
Ea
Ib Es
ID RADIACIÓN DIRECTA
RADIACIÓN DIFUSA
3
4. PREDICCIÓN: DEFINICIONES PREVIAS
Necesidad de caracterizar y predecir la
radiación solar para ser usada como recurso
energético (RD 436/2004, 661/2007).
Técnicas de Predicción:
1. Modelos de predicción numérica (NWP)
2. Predicción basada en métodos estadísticos
Horizonte de Predicción
Nowcasting: menos de una hora
Corto plazo: 1 hora – 1 semana
Medio plazo: 1 semana – 1 año
Largo Plazo: más de un año. Estudios climáticos
4
5. CONJUNTO DE DATOS SEMIDIARIOS
Red Radiométrica Nacional (RRN) Piranómetros CM11 Kipp&Zonen
Agencia Española de Meteorología (AEMet)
45.0° N
42.5° N
40.0° N
• Madrid RRN AEMet
37.5° N
• Murcia RRN AEMet
35.0° N
15.0° W °
12.5° W 0.0° W7.5° ° E 10.0 E
1 W 5.0° W 2.5° W 0.0° 2.5° E 5.0° E 7.5
Murcia: 13882 semidías Madrid: 17376 semidías
1 Agosto de 1975 Enero de 1979 hasta
hasta 31 Diciembre 2003 31 Diciembre de 2003
5
7. METODOLOGÍA
Método de intercambio de modelos autorregresivos en base a
cadenas de Markov MS(K)-AR(p):
p
xt = α + ∑ a xt − i + σ ε t
St St
i
St
i =1
Red Neuronal:
Adaptative Network based Fuzzy Inference System (ANFIS)
7
8. RESULTADOS
1 N i − errorm
∑( x − xi )
2
RMSD = ˆ , mejora = 1 −
N
i i − error ÷÷
i =1 p
MADRID RRN AEMet MURCIA RRN AEMet
M adrid: M ejora frente Persistencia M urcia: M ejora frente Persistencia
24 24
M S (2)-A R (1)/P ersistencia
22 N N (10)/P ersistencia 22
A N FIS (6)/P ersistencia
20 20
18 18
M ejo ra % R M SD
16 16 M S (2)-AR (1)/Persistencia
NN (10)/P ersistencia
14 14 A N FIS(6)/Persistencia
12 12
10 10
8 8
6 6
1 2 3 4
Horizonte Predicción (Sem idías)
5 6 1 2 3
8 4
Horizonte Predicción (Sem idías)
5 6
9. RESULTADOS
RMSD PARA EL MEJOR MODELO: NN(10)
MADRID RRN AEMet MURCIA RRN AEMet
40 40
N N (1) N N (1 )
38 N N (2) 38 N N (2 )
N N (3) N N (3 )
36 N N (4) 36 N N (4 )
N N (5)
% R M S D P re d ic c ió n S e m id ia ria K t
N N (6) N N (5 )
34 34
N N (7) N N (6 )
32 N N (8) 32 N N (7 )
N N (9) N N (8 )
N N (10) N N (9 )
30 30
PER
N N (1 0 )
28 28 PE R
26 26
24 24
22 22
1 2 3 4 5 6 1 2 3 4 5 6
H orizonte Pre dic c ión (S em idía s ) H o rizo nte Pre d ic c ió n (S e m id ía s )
9
11. CONCLUSIONES
Métodos nolineales presentan mejores resultados.
El modelo MS-AR presenta mejores resultados
utilizando un retardo de un semidía.
Métodos no lineales presentan una pequeña
mejora al aumentar el número de semidías de
entrada.
Todos los métodos ensayados presentan mejores
resultados para la estación de Murcia ya que para
ambas estaciones al entrenar los métodos, los días
claros adquieren un mayor peso en los parámetros
de cada uno de los modelos.
11
12. EUROSUN2008, October 7-10, Lisbon (Portugal)
FUTUROS TRABAJOS
6000
5000
LOST COMPONENT
4000
Wh/m2
3000
2000
1000
0
0 100 200 300 400 500 600 700
Half Day
12
Differencing day by day
13. EUROSUN2008, October 7-10, Lisbon (Portugal)
AEMet Synoptic Predictions by Site
Total Cloud Cover
ECMWF
HIRLAM/AEMet
PROMETEO
WRF/MM5…. Energy Values
13
14. EUROSUN2008, October 7-10, Lisbon (Portugal)
LOST COMPONENT + QUALITATIVE
PREDICTIONS
MADRID RRN AEMet
LC sin información LC con información
de estado del cielo de estado del cielo
40 40
35 35
30 30
%RMSD
25 25
%RMSD
20 20
15 15
10 10
1 2 3 4 5 6 1 2 3 4 5 6
Prediction Horizon Half Daily 14
Prediction Horizon Half Daily
Hinweis der Redaktion
Buenas días, mi nombre es Luis Martín y voy a presentar el trabajo realizado hasta la fecha en el ámbito de la predicción de la radiación solar diaria.
He organizado el contenido de la presentación, comenzando una pequeña introducción, posteriormente describiré brevemente las tecnicas predictivas empleadas para la predicción de la irradiancia solar semidiaria, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
Los usos tanto directos como pasivos que hace el ser humano de la radiación solar son múltiples, entre ellos como recurso energético. A partir del nuevo real decreto aprobado por el gobierno las instalaciones de producción eléctrica en régimen especial están obligadas a la previsión de producción. El trabajo desarrollado se basa como se ha comentado anteriormente en métodos estadísticos con un horizonte de predicción de corto plazo.
El índice de claridad ( kt ) se define como el cociente entre la radiación solar en superficie y la radiación extraterrestre para un periodo determinado. El índice de claridad es una variable adimensional y normalizada cuyas principales propiedades para valores horarios y diarios son las siguientes: La función de densidad de probabilidad muestra una alta predominancia de condiciones de cielo claro. La función de distribución de valores de irradiancia solar semidiarios puede ser aproximada a una función biexponencial dependiente del índice de claridad medio mensual y en base a los valores máximo y mínimos semidiarios de cada mes, al igual que para los valores horarios y diarios Ibáñez et alt. (2002). La autocorrelación ( r ) de la serie temporal presenta un valor significativo exclusivamente con el semidía anterior como se puede observar en la Fig. 4. Generalmente los autores recomiendan valores de r =0.29 para valores diarios Aguiar y Collares-Pereira (1992). En el caso de este estudio los valores obtenidos muestran una correlación del semidía anterior .
Un modelo autorregresivos (AR) es también conocido como Infinite Impulse Response Filter (IIRF). Existe una memoria o realimentación y por lo tanto el sistema puede generar dinámicas internas. El modelo autorregresivo ensayado se expresa mediante la siguiente ecuación MS( K )-AR( p ): donde St representa el estado en el periodo t , St =1… K , donde K es el número de estados representados mediante la cadenas de Markov, p es el retardo máximo en la componente autorregresiva Para la predicción de la señal se ha empleado un modelo basado en redes neuronales la cuales tratan de emular el comportamiento de las neuronas bilógicas. Redes Neuronales Biológicas Redes Neuronales Artificiales Neuronas Unidades de proceso Conexiones sinápticas Conexiones ponderadas Efectividad de las sinápsis Peso de las conexiones Efecto excitatorio o inhibitorio de una conexión Signo del peso de una conexión Efecto combinado de las sinápsis Función de propagación o de red Activación -> tasa de disparo Función de activación -> Salida Las características fundamentales de las redes neuronales son las siguientes: Adaptatividad y autoorganización de la red para nuevos patrones de entrada. Procesado no lineal Procesamiento en paralelo de las señales.
Los resultados obtenidos muestran que los métodos nolineales presentan mejores resultados que el método lineal ensayado. El modelo MS-AR presenta mejores resultados utilizando un retardo de un semidía, hecho que era de esperar a partir de la alta autocorrelación que presenta la serie temporal de irradiancia solar con respecto al semidía anterior. En el caso de los dos métodos no lineales ensayados basados en redes neuronales y lógica difusa, presentan una pequeña mejora al aumentar el número de semidías de entrada. Esto se debe a la no-linealidad de la serie de irradiancia solar cuyo comportamiento se ve influenciado principalmente por los tránsitos de nubes, los cuales tienen un comportamiento caótico y pueden tener correlaciones no lineales entre los diferentes retardos temporales. La estación de Murcia presenta una predominancia de días claros con respecto a la estación de Madrid. Todos los métodos ensayados presentan mejores resultados para la estación de Murcia (teniendo incluso una menor autocorrelación parcial para el semidía anterior), ya que para ambas estaciones al entrenar los métodos, los días claros adquieren un mayor peso en los parámetros de cada uno de los modelos.