Cierta 2006 luis martín
Upcoming SlideShare
Loading in...5
×
 

Cierta 2006 luis martín

on

  • 227 views

 

Statistics

Views

Total Views
227
Views on SlideShare
227
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • 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 por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.
  • 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.
  • He organizado el contenido de la presentación, comenzando por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, 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.
  • 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.
  • He organizado el contenido de la presentación, comenzando por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.
  • La metodología empleada para la predicción del índice de transparencia es la siguiente: para el preprocesado de las señales se ha utilizado un análisis en el dominio de la frecuencia mediante la transformada wavelet.
  • La descomposición de la señal se ha realizado mediante un análisis piramidal mediante el cual se descompone sucesivamente la señal de baja frecuencia. Se obtiene de esta forma una señal de baja frecuencia y sucesivas de alta frecuencia para N iteraciones.
  • 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.
  • 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.
  • He organizado el contenido de la presentación, comenzando por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.
  • El primer modelo utilizado ha sido un perceptrón multicapa simple con el que se ha predicido el valor de Kt del siguiente día a partir de un numero variable de parámetros de entrada.
  • Se han ensayado 4 modelos y los
  • He organizado el contenido de la presentación, comenzando por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.

Cierta 2006 luis martín Cierta 2006 luis martín Presentation Transcript

  • PREDICCIÓN DE LA IRADIANCIASOLAR DIARIA A PARTIR DE IMÁGENES DE SATELITE Presentado por: LUIS MARTÍN POMARES DEPARTAMENTO DE ENERGÍA División de Energías Renovables Plataforma Solar de Almería Conferencia sobre Energías Renovables y Tecnologías del Agua Roquetas de Mar 5, 6 y 7 de octubre de 2006 CIERTA 2006 15 de abril de 2013
  • PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 2
  • PREDICCIÓN: DEFINICIONES PREVIAS Necesidad de caracterizar y predecir la radiación solar para ser usada como recurso energético (RD 436/2004). 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 3
  • PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 4
  • RADIACIÓN SOLARComponentes de la radiación solar sobre superficie horizontal IG = Ib cosθ + IDÍndice de claridad ó transparencia atmosférica I kt = GÍndice 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 5
  • TELEDETECCIÓN RADIACIÓN SOLARBalance energético del sistema Tierra-Atmósfera I 0 = I s + E a + EtRadiación absorvida por la tierra Et = I G (1 − A) Ig = 1 1− A ( I0 e − Is − Ea ) 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 6
  • TRATAMIENTO DE IMÁGENES MEDIANTE MODELOS ESTADÍSTICOSBasados en relaciones entre: La medida piranométrica de la radiación solar. El valor de la cuenta digital simultánea del satélite. (correspondiente a la localización del sensor) DATOS DATOS SATELITARIOS PIRANOMÉTRICOS Valor_Coruña Gh_Coruña Valor_Madrid Gh_Madrid Valor_Murcia Gh_Murcia ..... ...... ..... ...... RELACIÓN 7
  • METODOLOGÍA PASOS A CONSIDERAR: (Aplicación al tratamiento de los años 1994/95/96/97/98 de imágenes, y datos de 15 estaciones durante 10 años en España) 1. COEFICIENTE DE NUBOSIDAD 2. ÍNDICE DE CLARIDAD HORARIO 3. ÍNDICE DE CLARIDAD DIARIO 4. PREDICCIÓN DEL ÍNDICE DE CLARIDAD DIARIOIMAGEN ORIGINAL C. NUBOSIDAD KT HORARIO 8
  • DETERMINACIÓN DEL COEFICIENTE DE NUBOSIDAD A. Referencia 09/04/94 Imagen original Actualizado mediante Brillancia 09/04/94 Filtro adaptativoslot 21= 10 a 10:30 ( ρ n , a ,σ ρ ref ) A. aparente Albedo x 100 Albedo x 100 09/04/94slot 21= 10 a 10:30 ρ ap − ρ ref C. de nubosidad x 100 C. nubosidad 09/04/94 n=slot 21= 10 a 10:30 ρ nub − ρ ref 9
  • DETERMINACIÓN DEL ÍNDICE DE CLARIDAD HORARIOUtilizando los datos medidos en tierra simultáneamente a C. nubosidadlos tres años de imágenes de satélite, se entrena una 09/04/94 slot 21expresión en la que se añaden a la nubosidad variables C. de nubosidad x 100explicativas como: la declinación, y seis variablescualitativas binarias, fruto de la combinación de seissituaciones posibles:Latitud:sur (<38º), centro (38º<centro<42º) o norte (>42º).Hora del día: I. Claridadmañana (slot = 21) o tarde (slot = 25 o 27) 09/04/94 slot 21 I. de claridad x 100 K Gh = 0,060 ⋅ δ − 0,8073 ⋅ n + (0,7153 ⋅ SM + 0,7136 ⋅ CM + 0,7050 ⋅ NM + 0,7690 ⋅ ST + 0,7438 ⋅ CT + 0,7473 ⋅ NT ) 10
  • DETERMINACIÓN DEL ÍNDICE DE CLARIDAD DIARIO KGh slot 27 PARA CADA DÍA 94/95/96/97/98 KGh slot 25 KGh slot 21 I. de claridad diario I. de claridad x 100 I. de claridad x 100 MOD K Gd = 0,3794 ⋅ K Gh1 + 0,2498 ⋅ K Gh2 + 0,2671 ⋅ K Gh3 + 0,0251 ⋅ DI + 0,0193 ⋅ DPO + 0,0172 ⋅ DV + 0,0241 ⋅ CI + 0,0299 ⋅ CPO + 0,0323 ⋅ CVDonde además de los índices de claridad de las tres horas disponibles, como variables explicativasse introducen seis variables cualitativas binarias fruto de la combinación de seis situacionesposibles:Día juliano: I (invierno, si mes= 11,12,1 ó 2) PO (primavera u otoño, si mes= 3,4,9 ó 10), V (verano, si mes= 5,6,7 u 8).Tipo de día: C (cubierto, si <0.5), D (despejado, si >0.5). 11
  • PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 12
  • ANÁLISIS ESPECTRAL DE SEÑALES Transformada de Fourier Transformada Wavelet ContinuaProblema: La transformada de FourierNo es adecuada para analizar señales No estacionarias 13
  • TRANSFORMADA WAVELET DISCRETAAnálisis Piramidal de la señal y descomposición de la señal en múltiples niveles mediante filtro paso baja y paso alta Baja Kt Frecuencia Alta cA1 cD1 Frecuencia cA2 cD2 cA3 cD3 14
  • DESCOMPOSICIÓN DE LA SEÑAL S ñ O in e al rig al 1Kt 0.5 0 0 50 1 0 0 150 200 250 300 350 Se al Apro im ció 3 ñ x a n 1Kt 0.5 0 0 50 1 0 0 150 200 250 300 350 S ñal D e eta 1 lle 0.5Kt 0 -0.5 0 50 1 0 0 150 200 250 300 350 S ñal D e eta 2 lle 0.5Kt 0 -0.5 0 50 1 0 0 150 200 250 300 350 S ñal D e eta 3 lle 0.2Kt 0 -0.2 0 50 1 0 0 150 200 250 300 350 S ñ R co e al e nstruida 1Kt 0.5 0 0 50 1 0 0 150 200 250 300 350 D Ju ia liano 15
  • NEURONA ARTIFICIALRedes Neuronales Biológicas Redes Neuronales ArtificialesNeuronas Unidades de procesoConexiones sinápticas Conexiones ponderadasEfectividad de las sinápsis Peso de las conexionesEfecto excitatorio o inhibitorio de Signo del peso de una conexión una conexiónEfecto combinado de las sinápsis Función de propagación o de redActivación -> tasa de disparo Función de activación -> Salida 16
  • REDES NEURONALES - Estructura Características •Adaptatividad y autoorganización de la red para nuevos patrones de entrada. •Procesamiento no lineal •Procesamiento en paralelo de las señales 17
  • PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 18
  • MODELOS PREDICCIÓN: Perceptrón multicapa Kt(x)Kt Kt(x-1) . . Kt(x+1) . Kt(x-k) 19
  • RESULTADOS Mean Absolute Error (M AE) Modelo Red Neuronal Estructura 1 0,9 0,8 Modelo 1 1 Nodo 0,7 0,6 Modelo 1 MAE Modelo 2 Modelo 2 7-1 0,5 Modelo 3 0,4 Modelo 4 0,3 Modelo 3 5-3-1 0,2 0,1 Modelo 4 7-5-3-1 0 0 2 4 6 8 10 12 NN(X) Coeficiente Correlación (R) Mean Squared Error (MSE) 0,6 0,5 0,5 0,4 Modelo 1 0,4 Modelo 1 Modelo 2 0,3 0,3 Modelo 2R MSE Modelo 3 0,2 0,2 Modelo 3 Modelo 4 0,1 0,1 Modelo 4 0 0 0 2 4 6 8 10 12 0 2 4 6 8 10 12 -0,1 NN(X) 20 NN(X)
  • MODELOS PREDICCIÓN: Wavenet aD1(x) aD1(x-1) DWψ aD1(x+1)Kt •aD1 . . . DWaD1(x-k) ψ aD2(x)…aD2(x-k) •aD2 aD2(x+1) aD3(x)…aD2(x-k) IDWψ •aD3 aD3(x+1) aD2(x)…aD2(x-k) •aA3 aA1(x+1) Kt(x+1) 21
  • RESULTADOS Mean Absolute Error (MAE) Modelo Red Neuronal Estructura 3 2,5 Modelo 1 1 Nodo 2 Modelo 1 MAE Modelo 2 Modelo 2 7-1 1,5 Modelo 3 1 Modelo 4 Modelo 3 5-3-1(cA) 0,5 7-5-3-1(cD) 0 1 2 3 4 5 6 7 8 9 10 Modelo 4 7-5-3-1 NN(X) Coeficiente Correlación (R) Mean Squared Error (MSE) 1,2 0,5 1 Modelo 1 0,4 0,8 Modelo 1 Modelo 2 0,3 Modelo 2 MSE 0,6R Modelo 3 0,2 Modelo 3 0,4 Modelo 4 Modelo 4 0,2 0,1 0 0 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 NN(X) NN(X) 22
  • Predicción Coeficientes Transformada Wavelet Coeficientes Transformada Wavelet Aproximacion 1 Coeficientes Transformada Wavelet Detalle 10.9 0.30.8 0.20.7 0.10.6 00.5 -0.10.4 -0.2 Señal Original0.3 -0.3 Señal Predecida0.2 -0.4 0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350 Día Juliano Día Juliano Coeficientes Transformada Wavelet Detalle 2 Coeficientes Transformada Wavelet Detalle 30.3 0.20.2 0.10.1 0 0-0.1-0.2 -0.1-0.3-0.4 -0.2 0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350 Día Juliano Día Juliano 23
  • Predicción Coeficientes Transformada Wavelet P redic c ión K t Error Absoluto 1.2 0.25 0.2 1 Error Predicción Kt 0.15 0.8 0.1 0.6 0.05Kt 0 0.4 0 50 100 150 200 250 300 350 Día Juliano 1 0.9 0.2 0.8 0.7 Predicción Kt 0.6 0 0.5 0.4 0.3 0.2 -0.2 0 50 100 150 200 250 300 350 0.1 Día Juliano 0 0 0.1 0.2 24 0.3 0.4 0.5 Kt Original 0.6 0.7 0.8 0.9 1
  • PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 25
  • CONCLUSIONESNecesidad predicción radiación solar (RD 436/2004). 436/2004Datos de tierra previos menor error predicción. predicciónTécnicas mediante imágenes de satélite tienen errorintrínseco por modelo HELIOSAT pero son ideales para lapredicción en lugares donde no haya datos previosdisponibles. Estimación de la radiación solar a partir dedisponiblesimágenes de satélite como alternativa (distribución espacio-temporal de la radiación solar). solarUtilización del índice de claridad como variable normalizadamejora la predicción de la irradiancia solar diaria medianteredes neuronales. Mejora de RMSE y MAE  0,1091 y 0,4433frente a [S. Cao y J. Cao, 2005] de 0,9277 y 0,7193. 26