Cies 2008 luis martín
Upcoming SlideShare
Loading in...5
×

Like this? Share it with your network

Share
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
235
On Slideshare
235
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
0
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide
  • 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.

Transcript

  • 1. COMPARACIÓN DE TÉCNICAS PREDICTIVASBASADAS 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
  • 2. ÍNDICE1. INTRODUCCIÓN3. METEODOLOGÍAS PREDICCIÓN4. RESULTADOS5. CONCLUSIONES6. FUTUROS TRABAJOS 2
  • 3. ÍNDICE DE CLARIDADComponentes 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 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&ZonenAgencia 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 7.5Murcia: 13882 semidías Madrid: 17376 semidías 1 Agosto de 1975 Enero de 1979 hastahasta 31 Diciembre 2003 31 Diciembre de 2003 5
  • 6. PROPIEDADES ESTADÍSTICAS SERIE TEMPORAL Kt SEMIDIARIO 6 MADRID RRN AEMet 6 MURCIA RRN AEMetNúmero de muestras 5 5 4 4 3 3 2 2 1 1 0 0 0.2 0.4 0.6 0.8 1 00 0.2 0.4 0.6 0.8 1 Kt Semidiario Kt Semidiario 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 -0.2 0 1 2 3 4 5 Retardo 6 7 8 9 10 -0.2 0 1 2 3 4 6 5 Retardo 6 7 8 9 10
  • 7. METODOLOGÍA Método de intercambio de modelos autorregresivos en base acadenas 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 18M 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
  • 10. RESULTADOS 1 0.9 0.8KT Semidiario Previsto 0.7 0.6 0.5 0.4 0.3 6 5 0.2 4 0.1 3 2 0 0 0.1 0.2 0.3 0.4 0.5 0.6 1 0.7 0.8 0.9 1 KT Semidiario Observado0 0 10 0.2 0.4 0.6 Kt Semidiario 0.8 1
  • 11. CONCLUSIONESMétodos nolineales presentan mejores resultados.El modelo MS-AR presenta mejores resultadosutilizando un retardo de un semidía.Métodos no lineales presentan una pequeñamejora al aumentar el número de semidías deentrada.Todos los métodos ensayados presentan mejoresresultados para la estación de Murcia ya que paraambas estaciones al entrenar los métodos, los díasclaros adquieren un mayor peso en los parámetrosde cada uno de los modelos. 11
  • 12. EUROSUN2008, October 7-10, Lisbon (Portugal) FUTUROS TRABAJOS 6000 5000 LOST COMPONENT 4000Wh/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 SiteTotal Cloud Cover ECMWFHIRLAM/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