Estimación de irradiancia empleando redes neuronales artificiales con variables meteorológicas y eléctricas de módulos fotovoltaicos
Palabras clave:
Estimación de la irradiancia, Red Neuronal Artificial, variables meteorológicas, módulo fotovoltaico.
Resumen
En este trabajo se presenta la estimación de la irradiancia solar mediante una arquitectura de red neuronal artificial encontrada con un método heurístico. Las condiciones meteorológicas como velocidad y dirección del viento, temperatura ambiente, así como el voltaje, corriente y temperatura de un módulo fotovoltaico, fueron usadas como variables de entrada de la red neuronal, y la irradiancia como variable de salida. Los pesos y bias de la red fueron optimizados con el entrenamiento continuo variando parámetros de la arquitectura y probando diferentes algoritmos de optimización. El rendimiento de la arquitectura fue evaluado con criterios estadísticos para la validación de la red, comparando datos simulados con datos experimentales. La mejor arquitectura fue 14 neuronas en la capa oculta con 95% de coeficiente de correlación.
Citas
Alejos E. (2016). Estimación de irradiancia empleando redes neuronales artificiales y módulos de paneles fotovoltaicos. Tesis de licenciatura, Universidad Autónoma de Yucatán, Yucatán, México.
Ameen A., Pasupuleti J. y Khalib T. (2014). Sensitivity of artificial neural network based model for photovoltaic system actual performance. “Power and Energy”. 241 – 244.
Celik O., Teke A. y Yildirim H. (2016). The optimized artificial neural network model with Levenberg-Marquardt algorithm for global solar radiation estimation in Eastern Mediterranean Region of Turkey. “Journal of Cleaner Production”. Vol. 116, 1-12.
Demuth H., Beale M. y Hagan M. (2007). Neural Network ToolBox 5: User´s Guide. The MathWorks Inc. Natik.
Espadas G. (2002). Reconocimiento de patrones usando redes neuronales artificiales. Monografía de Licenciatura, Licenciatura en Ciencias de la Computación. Universidad Autónoma de Yucatán, Yucatán, México.
Fausett L. (1994). Fundamentals of neural networks: architectures, algorithms, and applications. Uppler Saddle: Prentice-Hall. New Jersey, EUA. ISBN13: 9780133341867
Fernández E., Almonacid F., Sarmah N., Rodrigo P., Mallick T. y Pérez-Higueras P. (2014) A model based on artificial neuronal network for the prediction of the maximum power of a low concentration photovoltaic module for building integration.”SolHiMar Energy”. Vol. 100, 148-158.Mathiesen, A. y Kleissl, J. (2011). Evaluation of numerical weather prediction for intra-day solar forecasting in the continental United States. “Solar Energy”. Vol. 85, 967–977.
Mekki H., Mellit A., Salhi H. y B. Khaled (2007). Modeling and simulation of photovoltaic panel based on artificial neural networks and VHDL-language. 14th IEEE International Conference on: Electronics, Circuits and Systems, 2007. ICECS 2007.
Mellit A., Massi P. y Lughi V. (2014). Short-term forecasting of power production in a large-scale photovoltaic plant. “Solar Energy”. Vol. 105, 401-413.
Mellit A., Saglam S. y Kalogirou S. (2013). Artificial neural network-based model for estimating the produced power of a photovoltaic module. “Renewable Energy”. Vol. 60, 71-78.
Rivera E. y Peng F. (2006). Algorithms to estimate the temperature and effective irradiance level over a photovoltaic module using fixed theorem. IEEE Power Electronics Specialists Conference. 1 – 4.
Selmin E., Hammer A. y Bulent G. (2013). Estimation of daily global solar irradiation by coupling ground measurements of bright sunshine hours to satellite imagery. “Energy”. Vol. 58, 417–25.
Sen Z. y SahIn A. (2001). Spatial interpolation and estimation of solar irradiation by cumulative semivariograms. “Solar Energy”. Vol. 71, 11-21.
Teke A., Yildirim H.B. y Celik O. (2015). Evaluation and performance comparison of different models for the estimation of solar radiation. “Renewable and Sustainable Energy Reviews”. Vol. 50, 1097-1107.
Tziu J., Alejos E., Bassam A., Flota-Bañuelos M., Escalante M., Ricalde L. y López-Sanchez M. (2016). Photovoltaic module temperature estimation: A comparison between artificial neural networks and adaptive neuro fuzzy inference systems models. “Intelligent Computing Systems”. Vol. 597, 46-60.
Ameen A., Pasupuleti J. y Khalib T. (2014). Sensitivity of artificial neural network based model for photovoltaic system actual performance. “Power and Energy”. 241 – 244.
Celik O., Teke A. y Yildirim H. (2016). The optimized artificial neural network model with Levenberg-Marquardt algorithm for global solar radiation estimation in Eastern Mediterranean Region of Turkey. “Journal of Cleaner Production”. Vol. 116, 1-12.
Demuth H., Beale M. y Hagan M. (2007). Neural Network ToolBox 5: User´s Guide. The MathWorks Inc. Natik.
Espadas G. (2002). Reconocimiento de patrones usando redes neuronales artificiales. Monografía de Licenciatura, Licenciatura en Ciencias de la Computación. Universidad Autónoma de Yucatán, Yucatán, México.
Fausett L. (1994). Fundamentals of neural networks: architectures, algorithms, and applications. Uppler Saddle: Prentice-Hall. New Jersey, EUA. ISBN13: 9780133341867
Fernández E., Almonacid F., Sarmah N., Rodrigo P., Mallick T. y Pérez-Higueras P. (2014) A model based on artificial neuronal network for the prediction of the maximum power of a low concentration photovoltaic module for building integration.”SolHiMar Energy”. Vol. 100, 148-158.Mathiesen, A. y Kleissl, J. (2011). Evaluation of numerical weather prediction for intra-day solar forecasting in the continental United States. “Solar Energy”. Vol. 85, 967–977.
Mekki H., Mellit A., Salhi H. y B. Khaled (2007). Modeling and simulation of photovoltaic panel based on artificial neural networks and VHDL-language. 14th IEEE International Conference on: Electronics, Circuits and Systems, 2007. ICECS 2007.
Mellit A., Massi P. y Lughi V. (2014). Short-term forecasting of power production in a large-scale photovoltaic plant. “Solar Energy”. Vol. 105, 401-413.
Mellit A., Saglam S. y Kalogirou S. (2013). Artificial neural network-based model for estimating the produced power of a photovoltaic module. “Renewable Energy”. Vol. 60, 71-78.
Rivera E. y Peng F. (2006). Algorithms to estimate the temperature and effective irradiance level over a photovoltaic module using fixed theorem. IEEE Power Electronics Specialists Conference. 1 – 4.
Selmin E., Hammer A. y Bulent G. (2013). Estimation of daily global solar irradiation by coupling ground measurements of bright sunshine hours to satellite imagery. “Energy”. Vol. 58, 417–25.
Sen Z. y SahIn A. (2001). Spatial interpolation and estimation of solar irradiation by cumulative semivariograms. “Solar Energy”. Vol. 71, 11-21.
Teke A., Yildirim H.B. y Celik O. (2015). Evaluation and performance comparison of different models for the estimation of solar radiation. “Renewable and Sustainable Energy Reviews”. Vol. 50, 1097-1107.
Tziu J., Alejos E., Bassam A., Flota-Bañuelos M., Escalante M., Ricalde L. y López-Sanchez M. (2016). Photovoltaic module temperature estimation: A comparison between artificial neural networks and adaptive neuro fuzzy inference systems models. “Intelligent Computing Systems”. Vol. 597, 46-60.
Publicado
2017-02-19
Número
Sección
Artículos de Investigación
Avisos de derechos de autor propuestos por Creative Commons
1. Política propuesta para revistas que ofrecen acceso abierto
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
