Ispra 2007 luis martín2
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Ispra 2007 luis martín2

on

  • 264 views

 

Statistics

Views

Total Views
264
Views on SlideShare
264
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.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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
  • 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.

Ispra 2007 luis martín2 Presentation Transcript

  • 1. DAILY RADIATION FORECASTING BYSTATISTICAL METHODS: PRELIMINARY RESULTS Presented by: LUIS MARTÍN POMARES ENERGY DEPARTAMENT Renewable energy division Plataforma Solar de Almería 3rd Experts Meeting of the IEA SHC Task “Solar Resource Knowledge Management” & MESoR Coordination Meeting Ispra (VA), Italy 12 – 14 March 2007
  • 2. DAILY RADIATION FORECASTING1. INTRODUCTION2. EXPLORATORY DATA ANALYSIS3. LINEAR PREDICTION: TAG(p)4. NON-LINEAR PREDICTION5. CONCLUSIONS 2
  • 3. INTRODUCTION There is a necesity to characterize and predict solar radiation to be used as a energetic resource (RD 436/2004). Prediction Techniques: • Numerical Prediction Models (NWP) • Statistical Prediction Models Prediction Horizon: • Nowcasting: less than one hour • Short term: less than a week • Medium term: 1 week – 1 year • Long term: more than a year. Climate 3
  • 4. PIRANOMETRIC DATA •Data Period: 10/7/1996 – 29/12/2003 •#Data: 2304 values •Daily Goblal Solar Radiation transformed to daily Kt Values 4
  • 5. EXPLORATORY DATA ANALYSIS 8 0 0 0.8 7 0 0 0.7 N m r d m e tr s ú eo e u s a 6 0 0 0.6 5 0 0 0.5 t ia io K D r 4 0 0 0.4 3 0 0 0.3 2 0 0 0.2 1 0 0 0.1 0 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0 50 0 10 00 1 0 50 20 00 2 0 5 0 K D r t ia io Da N í Sample Partial Autocorrelation Function P w rS e a D n o e p ctr l e sity Estim te v P r d g a a ia e io o r m 30Sample Partial Autocorrelations 20 q e cy (d /ra /sa p ) m le 0.8 B d 10 0 0.6 -10 P w r/fre u n 0.4 -20 -30 o e 0.2 -40 -50 0 -60 5 -70 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -0.2 N rm lize F q e cy (× ra /sa p ) o a d re u n 0 2 4 6 8 10 12 14 16 18 20 π d m le
  • 6. EXPLORATORY DATA ANALYSIS 120 Central Months predominance of Goods Days. Monthly Histogram 100 External months: Mixture of Kt (bad and good days) 80 N úm ero de m ues tras 60 40Kt 20 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 K t D iario Month 6 Daily Kt for each month
  • 7. SAMPLE PROBABILITY DISTRIBUTION: BI-EXPONENTIALManuel Ibañez, Journal of solar energy engineering, 2002, vol. 124,1,pp. 28-33Frequency Distribution for Hourly and Daily Clearness Indices. Daily Probability Density Functions Cumulative Daily Distribution Functions 9
  • 8. Partial Autocorrelation Autocorrelation•Low Lag(1) autocorrelation•Generally authors recomend r1=0.29. [R. Aguiar, 1992, SolarEnergy]•Data analyzed indicates a broad range of values for r1 from0.17 to 0.65.Non StationaryNon Gaussian Data Data PreprocessingNon Linear 12
  • 9. LINEAR PREDICTION: TAG(p) Timedependant Autorregressive Gassuian Model: TAGTimedependant: Montly Autorregresive Model  12 AR(p)Autorregresive Model AR(p): p ∑φ ( X k =0 k t −k − µ ) = at , t = p + 1, p + 2,...,Gaussian: Transform Data to Gaussina Distribution using daily Kt Anomalies Kti − K T j Kt _ Anomalyi = σKT j 13
  • 10. LINEAR PREDICTION: TAG(p) Enero Enero 0.15 28 85 AR(2)/Persistencia - Enero AR(1) AR(1) 0.1 26 AR(2) AR(2)Mejora RMSE AR Óptimo frente Persistencia AR(3) 80 AR(3) 0.05 24 AR(4) AR(4) AR(5) AR(5) 75 %MBE Predicción Diaria Kt %RMSE Predicción Diaria Kt 22 AR(6) AR(6) 0 AR(7) AR(7) 20 AR(8) 70 AR(8) -0.05 AR(9) AR(9) 18 AR(10) AR(10) Persistencia 65 -0.1 Persistencia 16 -0.15 60 14 -0.2 55 12 -0.25 10 1 2 3 4 5 6 1 2 3 4 5 6 50 Horizonte Predicción (Días) 1 2 3 4 5 6 Horizonte Predicción (Días) Horizonte Predicción (Días) Julio Julio 0.15 5 28 AR(2)/Persistencia - Julio AR(1) AR(1) AR(2) AR(2) 0.1 4.5 26 AR(3) Mejora RMSE AR Óptimo frente Persistencia AR(3) AR(4) AR(4) 0.05 4 AR(5) 24 AR(5) %RMSE Predicción Diaria Kt %MBE Predicción Diaria Kt AR(6) AR(6) AR(7) AR(7) 0 3.5 AR(8) 22 AR(8) AR(9) AR(9) -0.05 AR(10) AR(10) 3 20 Persistencia Persistencia -0.1 2.5 18 -0.15 2 16 -0.2 1.5 14 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 Horizonte Predicción (Días) 14 Horizonte Predicción (Días) Horizonte Predicción (Días)
  • 11. LINEAR PREDICTION: TAG(p) Future Works: Kt TransformationPredict Kt Differences between days: y (t ) = Kt (t ) − Kt (t − 1) 0.8 800 700 0.6 600 0.4 500 0.2 400 0 300 -0.2 200 -0.4 100 -0.6 0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 -0.8 0 500 1000 1500 2000 2500 P er S ow pectral Density Estim te v P a ia erio ogra d m S m le A to r la n F n tio ( C ) a p u co re tio u c n A F 0 1 -10 /ra /sa p ) m le 0.8 u co la n S m le A to rre tio -20 0.6 P w r/freq e cy (dB d -30 0.4 u n -40 0.2 a p -50 o e 0 -60 -0.2 -70 -0.4 0 2 4 6 8 10 L g a 12 14 16 18 20 -80 0 0.1 0.2 0.3 N 17 0.4 0.5 0.6 orm lize F que cy (×π rad a d re n /sam 0.7 ple) 0.8 0.9 1
  • 12. NON-LINEAR PREDICTIONModel Prediction 1:Prediction NEURAL NETWORK (NN)Model Prediction 2:Signal Preprocessing: SPECTRAL SIGNAL ANALYSIS: WAVELETPrediction NEURAL NETWORK (NN)Model Prediction 3: Future works like Fuzzy Logic, Markov Chain…Signal Preprocessing: CLUSTER ANALYSIS: SOM NETWORKSPrediction: NEURAL NETWORK (NN) 18
  • 13. Model Prediction 1: RESULTS Mean Absolute Error (M AE) Neural Network Model Structure 1 0,9 0,8 NN Model 1 1 Neuron 0,7 0,6 Modelo 1 MAE Modelo 2 NN Model 2 7-1 0,5 Modelo 3 0,4 Modelo 4 0,3 NN Model 3 5-3-1 0,2 0,1 NN Model 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)
  • 14. Model Prediction 2: DISCRETE WAVELET TRANSFORMPiramidal analisys of the signal and decomposition into multiple Layers. It works like a low and high pass filter Low Kt Frequency High cA1 cD1 Frequency cA2 cD2 cA3 cD3 21
  • 15. SIGNAL DECOMPOSITION 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 22
  • 16. Model Prediction 2: 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) 23
  • 17. Model Prediction 2: RESULTS Mean Absolute Error (MAE) Neural Network Model Structure 3 2,5 Model 1 1 Neuron 2 Modelo 1 MAE Modelo 2 Model 2 7-1 1,5 Modelo 3 1 Modelo 4 Model 3 5-3-1(cA) 0,5 7-5-3-1(cD) 0 1 2 3 4 5 6 7 8 9 10 Model 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) 24
  • 18. Prediction of Wavelet Transform Coeficientes 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 25
  • 19. Model Prediction 2: Daily Kt Prediction 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 26 0.3 0.4 0.5 Kt Original 0.6 0.7 0.8 0.9 1
  • 20. CONCLUSIONSKt data correlates Lag 1 data.Data to be forecasted is Kt but the signal needs to bepreconditioned.Two general aproaches has been tested:  Linear AR (TAG)  Non Linear: NN, Wavenets, SOM+NNErrors range between 20-50% depending on the technique used,forecasting horizon, inputs (Kt-p)Future Works:  AR prediction transforming Kt series  Other forecasting techniques: Markov Chain, Fuzzy Logic, Caos Theroy  Time Series Forecasting Combination for differents Horizonts.  Spatial Forecating with satelite Images  NWP with satellite data inputs. 28