Investigadores de NC State logran una mejora de hasta 13% en el pronóstico solar para el día siguiente mediante métodos de conjunto
Puntos clave
- •El estudio probó siete modelos de pronóstico basados en enfoques estadísticos y en redes neuronales artificiales usando datos de 2019 a 2022.
- •Los modelos se evaluaron con datos meteorológicos y de generación solar de the Imperial Irrigation District y the Los Angeles Department of Water and Power.
- •BiLSTM se usó como línea base porque fue el modelo individual más sólido de forma constante, aunque ningún modelo fue el mejor en todos los casos.
- •El promedio ponderado mejoró los pronósticos hasta en 11% para IID, mientras que el método multi-input mejoró los pronósticos hasta en 13% para LADWP.
- •Los investigadores señalaron que los métodos de pronóstico deben adaptarse a las condiciones regionales y no aplicarse como una solución universal.
Investigadores de la Universidad Estatal de Carolina del Norte han demostrado técnicas capaces de mejorar los pronósticos de energía solar para el día siguiente hasta en 13% en comparación con el modelo individual de pronóstico con mejor desempeño constante. Los pronósticos para el día siguiente son especialmente críticos para los operadores de red, ya que informan la programación del mercado y las decisiones de compromiso de unidades —el proceso mediante el cual se designa qué centrales eléctricas deben operar para satisfacer la demanda prevista— que se toman con 24 horas de anticipación. Los hallazgos, publicados en el Journal of Cleaner Production, también subrayan el papel fundamental que desempeñan las variables regionales en el diseño de modelos de pronóstico precisos.
"As solar penetration continues to increase, forecasting uncertainty becomes a key consideration for energy planners and grid operators that need to balance supply and demand," dijo Anderson De Queiroz, profesor asociado de ingeniería civil, de construcción y ambiental en NC State y coautor del artículo. "Our results demonstrate that combining multiple machine learning-based models can provide more robust predictions and help improve the reliability of solar integration into power systems."
Para establecer una línea base, el equipo de investigación primero evaluó dos grandes categorías de modelos de pronóstico: los modelos estadísticos, que identifican patrones históricos, y los enfoques basados en redes neuronales artificiales, que son más adecuados para capturar relaciones temporales no lineales. A partir de estas categorías, el equipo seleccionó siete modelos para las pruebas.
Los modelos se evaluaron utilizando datos meteorológicos y de generación de energía solar correspondientes al periodo 2019 a 2022, provenientes de dos empresas de servicios públicos de California: the Imperial Irrigation District (IID) y the Los Angeles Department of Water and Power (LADWP). California lidera a los Estados Unidos en capacidad solar instalada, lo que la convierte en un entorno particularmente relevante para estudiar los desafíos de pronóstico asociados con una alta penetración solar.
"We wanted to use the models to find the relationship between weather data and solar power generation," said Yen-Hsi Chou, a postdoctoral research scholar at NC State and corresponding author of the paper. "But the most interesting result was that no single model performed best in every case. We chose the most consistently performing model, BiLSTM, as a baseline and saw that by combining the forecasts from different individual models, we could further improve forecasting performance by over 10% in some cases, which was pretty impressive."
Los investigadores probaron dos enfoques de conjunto. El primero, el promedio ponderado, combina pronósticos de modelos específicos por ubicación entrenados por separado y asigna mayor peso a los modelos con mejor desempeño. El segundo, conocido como multi-input, permite que cada modelo incorpore datos meteorológicos de múltiples ubicaciones geográficas.
Los resultados variaron de forma significativa según la región. El promedio ponderado ofreció mejoras de hasta 11% para IID, mientras que el enfoque multi-input arrojó mejoras de pronóstico de hasta 13% para LADWP.
"One of the key takeaways from this work is that there is no universal forecasting strategy that will perform equally well everywhere," dijo De Queiroz. "Understanding the characteristics of each region and leveraging information from multiple models and locations is extremely important for developing forecasting tools that are both accurate and useful to support decision-making associated with real-world grid operations."
"Overall, our findings indicate that ensemble methods do have the potential to further enhance predictions compared to an individual model, but the methods need to be tested and fine-tuned for the specific region where they will be used," agregó Chou.
La investigación recibió apoyo parcial de the National Science Foundation. Entre los demás colaboradores de NC State en el artículo figuran Arundhuti Haldar, estudiante de doctorado en el Department of Electrical and Computer Engineering, y Shubh Nisar, exestudiante de posgrado en ciencias de la computación.
El artículo completo está disponible en el Journal of Cleaner Production a través de ScienceDirect.
