Modelos de previsión de energía solar con Python
DOI:
https://doi.org/10.33448/rsd-v13i8.46500Palabras clave:
Modelización; NASA; Inteligencia artificial; Support vector machine; Redes neuronales artificiales.Resumen
El principal objetivo de este estudio es proporcionar un marco claro y sistemático para la recogida de datos, la preparación, la modelización, la evaluación y el análisis de los resultados obtenidos. Incluir Este estudio explora el potencial de los modelos de inteligencia artificial (IA) para predecir la radiación solar en Belém-PA, con vistas a optimizar la generación de energía solar en la región. Analizando datos del satélite POWER de la NASA (2024), se implementaron y evaluaron varios modelos de regresión, incluyendo Random Forest, Support Vector Machine (SVM), Artificial Neural Network (ANN), Gradient Boosting Tree (GBT), Multivariate Adaptive Regression Spline (MARS) y Classification and Regression Tree (CART). Los resultados muestran que Random Forest destaca en términos de precisión media, mientras que MARS y GBT son más robustos a la hora de generalizar los datos. La validación cruzada y el análisis de métricas como RMSE y MBE demuestran la importancia de evaluar la fiabilidad de los modelos. Sin embargo, el rendimiento anómalo de CART, con un RMSE de 0,0 en ambas evaluaciones, requiere una investigación para verificar la existencia de sobreajuste. En resumen, este estudio destaca el potencial de los modelos de IA para predecir la radiación solar en Belém-PA, presentándose Random Forest, MARS y GBT como modelos prometedores para aplicaciones de predicción de energía solar. Cabe destacar la necesidad de una validación cruzada más exhaustiva y la investigación del rendimiento de CART para garantizar la robustez y fiabilidad de los resultados, impulsando la optimización de la generación de energía solar en la región.
Citas
Alkahtani, H., Aldhyani, T. H. H., & Alsubari, S. N. (2023). Application of Artificial Intelligence Model Solar Radiation Prediction for Renewable Energy Systems. Sustainability, 15(8), 6973. https://doi.org/10.3390/su15086973
Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239. https://doi.org/10.1016/j.energy.2020.117239
Alizamir, M., Shiri, J., Fard, A. F., Kim, S., Gorgij, A. D., Heddam, S., & Singh, V. P. (2023). Improving the accuracy of daily solar radiation prediction by climatic data using an efficient hybrid deep learning model: Long short-term memory (LSTM) network coupled with wavelet transform. Engineering Applications of Artificial Intelligence, 123, 106199. https://doi.org/10.1016/j.engappai.2023.106199
Chen, Y., Bai, M., Zhang, Y., Liu, J., & Yu, D. (2023). Proactively selection of input variables based on information gain factors for deep learning models in short-term solar irradiance forecasting. Energy, 284, 129261. https://doi.org/10.1016/j.energy.2023.129261
Fan, J., Wang, X., Wu, L., Zhou, H., Zhang, F., Yu, X., Lu, X., & Xiang, Y. (2018). Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China. Energy Conversion and Management, 164, 102–111. https://doi.org/10.1016/j.enconman.2018.02.087
Feng, Y., Cui, N., Zhang, Q., Zhao, L., & Gong, D. (2017). Comparison of artificial intelligence and empirical models for estimation of daily diffuse solar radiation in North China Plain. 42(21), 14418–14428. https://doi.org/10.1016/j.ijhydene.2017.04.084
Gil, A. A. C. (2010). Como elaborar projetos de pesquisa. Éditeur: São Paulo: Atlas.
Gürel, A. E., Ağbulut, Ü., Bakır, H., Ergün, A., & Yıldız, G. (2023). A state of art review on estimation of solar radiation with various models. Heliyon, e13167. https://doi.org/10.1016/j.heliyon.2023.e13167
Hedar, A.-R., Almaraashi, M., Abdel-Hakim, A. E., & Abdulrahim, M. (2021). Hybrid Machine Learning for Solar Radiation Prediction in Reduced Feature Spaces. Energies, 14(23), 7970. https://doi.org/10.3390/en14237970
Huang, J., & Liu, H. (2021). A hybrid decomposition-boosting model for short-term multi-step solar radiation forecasting with NARX neural network. Journal of Central South University, 28(2), 507–526. https://doi.org/10.1007/s11771-021-4618-9
Köche, J. C. (1997) Fundamentos de metodologia científica: teoria da ciência e iniciação à pesquisa. Vozes
Khosravi, A., Koury, R. N. N., Machado, L., & Pabon, J. J. G. (2018 a). Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms. Journal of Cleaner Production, 176, 63–75. https://doi.org/10.1016/j.jclepro.2017.12.065
Khosravi, A., Nunes, R. O., Assad, M. E. H., & Machado, L. (2018 b). Comparison of artificial intelligence methods in estimation of daily global solar radiation. Journal of Cleaner Production, 194, 342–358. https://doi.org/10.1016/j.jclepro.2018.05.147
Khosravi, A., Syri, S., Pabon, J. J. G., Sandoval, O. R., Caetano, B. C., & Barrientos, M. H. (2019). Energy modeling of a solar dish/Stirling by artificial intelligence approach. Energy Conversion and Management, 199, 112021. https://doi.org/10.1016/j.enconman.2019.112021
Kosovic, I. N., Mastelic, T., & Ivankovic, D. (2020). Using Artificial Intelligence on environmental data from Internet of Things for estimating solar radiation: Comprehensive analysis. Journal of Cleaner Production, 266, 121489. https://doi.org/10.1016/j.jclepro.2020.121489
NASA. (2024). NASA POWER | Prediction Of Worldwide Energy Resources. Nasa.gov. https://power.larc.nasa.gov/
Olatomiwa, L., Mekhilef, S., Shamshirband, S., Mohammadi, K., Petković, D., & Sudheer, C. (2015). A support vector machine–firefly algorithm-based model for global solar radiation prediction. Solar Energy, 115, 632–644. https://doi.org/10.1016/j.solener.2015.03.015
Rajasundrapandiyanleebanon, T., Kumaresan, K., Murugan, S., Subathra, M. S. P., & Sivakumar, M. (2023). Solar Energy Forecasting Using Machine Learning and Deep Learning Techniques. Archives of Computational Methods in Engineering. https://doi.org/10.1007/s11831-023-09893-1
Seyyed Mohammad Mousavi, Elham Sadat Mostafavi, & Jiao, P. (2017). Next generation prediction model for daily solar radiation on horizontal surface using a hybrid neural network and simulated annealing method. Energy Conversion and Management, 153, 671–682. https://doi.org/10.1016/j.enconman.2017.09.040
Wang, H., Liu, Y., Zhou, B., Li, C., Cao, G., Voropai, N., & Barakhtenko, E. (2020). Taxonomy research of artificial intelligence for deterministic solar power forecasting. Energy Conversion and Management, 214, 112909. https://doi.org/10.1016/j.enconman.2020.112909
Yuzer, E. O., & Bozkurt, A. (2022). Deep learning model for regional solar radiation estimation using satellite images. Ain Shams Engineering Journal, 102057. https://doi.org/10.1016/j.asej.2022.102057
Zaim, S., El Ibrahimi, M., Arbaoui, A., Samaouali, A., Tlemcani, M., & Barhdadi, A. (2023). Using artificial intelligence for global solar radiation modeling from meteorological variables. Renewable Energy, 215, 118904. https://doi.org/10.1016/j.renene.2023.118904
Zhou, Y. (2022). Artificial intelligence in renewable systems for transformation towards intelligent buildings. Energy and AI, 10, 100182. https://doi.org/10.1016/j.egyai.2022.100182
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Camila Piacitelli Tieghi; Carlos Educardo Camargo Nogueira; Jair Antonio Cruz Siqueira; Carlos Roberto Souza Carmo; Luís Fernando Soares Zuin; Jorge Alvarez; Fernando de Lima Caneppele
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
