Your SlideShare is downloading. ×
0
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Luis martin jornada becarios 2006
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Luis martin jornada becarios 2006

92

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
92
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
1
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 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 objetivos de este trabajo son por lo tanto la revisión de modelos de predicción de la irradiancia solar diaria, principalmente métodos estadísticos y el ensayo para la predicción mediante series de índice de claridad diario.
  • He organizado el contenido de la presentación, comenzando por una Introducción, .... Para terminar comentando las principales líneas de evolución de la actividad.
  • 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.
  • Todos los modelos de estimación de la radiación solar a partir de imágenes de satélite están basados la relación existente entre la radiación solar recibida por la superficie terrestre y la brillancia detectada por el sensor del satélite. DE forma más detallada, la determinación del coeficiente de nubosidad correspondiente a una imagen concreta Cálculo del albedo aparente en cada pixel. A partir de un serie de mapas/imágenes de albedos aparentes se calcula un albedo de referencia actualizado . Finalmente, teniendo en cuenta el albedo de las nube , se c alcula el coeficiente de nubosidad correspondiente. Heliosat 2, utiliza el denominado índice de cielo claro Kc como función polinómica del coeficiente de cobertura nubosa ajustado a partir de datos piranométricos.
  • El primer trabajo relacionado con la predicción de la radiación solar pertenece a Jensenius y Cotton en 1981. The development and testing of automated Solar energy forecasts based on the model output statistics (MOS) technique. Las técnicas MOS relacionan una variable meteorlógica observada (predictando) a ciertas variables (predictores).
  • Otros trabajos emplean las redes neuronales utilizando como entrada datos meteorológicos y geográficos de las estaciones. Se emplean redes simples y redes neuronales multietapa.
  • Richard Perez propone tres ecuaciones para relacionar el ínidice de cielo claro y el coeficiente de cobertura nubosa predicho por el National Weather Service de los Estados Unidos.
  • La predicción de la radiación solar a partir de imágenes de satélite se basa en la aplicación de un modelo de predicción de los coeficientes de cobertura nubosa. Las dos aproximaciones utilizadas para modelar el desplazamiento de las nubes son las redes neuronales y los campos de vector de movimiento, dando mejores resultados estos últimos.
  • 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 una Introducción, .... Para terminar comentando las principales líneas de evolución de la actividad.
  • Los datos piranométricos disponibles corresponden a la estación de Lleida que pertenece a la red radiométrica nacional del INM. Se dispone de 7 años de datos a los que se ha aplicado como filtro un límite del índice de transparencia atmosférica de 0.8.
  • 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
  • Transcript

    • 1. PREDICCIÓN DE LA RADIACIÓN SOLAR DIARIA Presentado por: LUIS MARTÍN POMARES Aplicaciones Medioambientales de la Radiación Solar y Evaluación de Recursos Solares DEPARTAMENTO DE ENERGÍA División de Energías Renovables Plataforma Solar de Almería 15 de abril de 2013
    • 2. PREDICCIÓN RADIACIÓN SOLAR1. OBJETIVOS2. REVISIÓN TÉCNICAS PREDICTIVAS3. METEODOLOGÍA4. RESULTADOS5. CONCLUSIONES Y FUTUROS TRABAJOS 2
    • 3. OBJETIVOS Revisión de modelos de predicción de la radiación solar.  Modelos Estadísiticos  Modelos de salida estadísitca (MOS)  Modelos autorregresivos  Modelos basados en redes neuronales  Predicción a partir de imágenes de satélite Ensayo de técnicas estadísticas predicción del índice de claridad diario. 3
    • 4. PREDICCIÓN RADIACIÓN SOLAR1. OBJETIVOS2. REVISIÓN TÉCNICAS PREDICTIVAS3. METEODOLOGÍA4. RESULTADOS5. CONCLUSIONES Y FUTUROS TRABAJOS 4
    • 5. 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 5
    • 6. 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 POR LAS NUBES EXTRATERRESTRE I0 RADIACIÓN REFLEJADA POR EL ALBEDO TERRESTRE ABSORCIÓN SCATTERING Ib ID RADIACIÓN DIRECTA RADIACIÓN DIFUSA 6
    • 7. COEFICICIENTE DE COBERTURA NUBOSAImagen original Albedo aparente (ρ ) Albedo Ref. (ρg ) ρ - ρgAlbedo nubes (ρn ) n= ρn - ρ g C. C. Nubosa (n ) 7
    • 8. PREDICCIÓN IRRADIANCIA SOLAR DIARIAPrimer Trabajo: J. S. Jensenius y G. F. Cotton, 1981: The development and testing of automated Solar energy forecasts based on the model output statistics (MOS) technique.MOS: relaciona elementos meteorológicos observados(predictando) a variables apropiadas (predictores) mediante unaaproximación estadística lineal.Utiliza principalmente como predictores variables que determinanla nubosidad: humedad relativa media, punto de rocío, velocidadvertical (z),….Predicción del índice de claridad y irradiancia total medianteecuaciones individuales para cada estación y ecuacionesregionalizadas. 8
    • 9. PREDICCIÓN RADIACIÓN SOLAR DIARIA REDES NEURONALESREDES NEURONALES + WAVELET: IRRADIANCIA SOLAR DIARIA TOTAL (MJ/m2) Cao S, Cao J. Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis. Applied Thermal Engineering 2005 Feb;25(2- 3):161-72. Mellit, A., Benghanem, M. y Kalogirou, S. A., 2006. An adaptive wavelet-network model for forecasting daily total solar-radiation. Applied Energy 83, 705-722. RED NEURONAL MULTIETAPA KEMMOKU, Y., ORITA, S., NAKAGAWA, S. y SAKAKIBARA, T., 1999. DAILY INSOLATION FORECASTING USING A MULTI-STAGE NEURAL NETWORK. Solar Energy 66, 193-199. 9
    • 10. PREDICCIÓN KcsR.Perez, K Moore, S.Wilcox, D.Renné y A.Zelenka. Forecasting Solar Radiation - Preliminary evaluation of an approach based upon the national forecast data base, 2005. IG a) Relación lineal índice de cobertura nubosa: = g ( SK ) I clear − sky b) Formula original de Kaste y Czeplak: IG I clear − sky ( = 1 − 0, 75 ( N 8 ) 3,4 ) IG c) Nueva aproximación desarrollada: = ( 1 − 0,87 SK 1,9 ) I clear − sky 10
    • 11. PREDICCIÓN RADIACIÓN SOLAR A PARTIR DE IMÁGENES DE SATELITEAnnette Hammer, Detlev Heinemann, Carster Hoyer, Elke Lorenz. Satellite based short-term forecasting of solar irradiance - comparison of methods and error analysis. 2000. 11
    • 12. PREDICCIÓN RADIACIÓN SOLAR A PARTIR DE IMÁGENES DE SATELITEModelo de predicción del movimiento basado en vectores de campo de movimiento y redes neuronales 12
    • 13. PREDICCIÓN RADIACIÓN SOLAR1. OBJETIVOS2. REVISIÓN TÉCNICAS PREDICTIVAS3. METEODOLOGÍA4. RESULTADOS5. CONCLUSIONES Y FUTUROS TRABAJOS 13
    • 14. ANÁLISIS ESPECTRAL DE SEÑALES Transformada de Fourier Transformada Wavelet ContinuaProblema: La transformada de FourierNo es adecuada para analizar señales No estacionarias 14
    • 15. 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 16
    • 16. 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 17
    • 17. REDES NEURONALES - Estructura Características •Adaptatividad y autoorganización de la red para nuevos patrones de entrada. •Procesamiento no lineal •Procesamiento en paralelo de las señales 18
    • 18. PREDICCIÓN RADIACIÓN SOLAR1. OBJETIVOS2. REVISIÓN TÉCNICAS PREDICTIVAS3. METEODOLOGÍA4. RESULTADOS5. CONCLUSIONES Y FUTUROS TRABAJOS 19
    • 19. DATOS EXPERIMENTALESDATOS PIRANOMÉTRICOS Número de días disponibles por mes Índice de transparencia atmosférica (datos filtrados) 20
    • 20. MODELOS PREDICCIÓN: Perceptrón multicapa Kt(x)Kt Kt(x-1) . . Kt(x+1) . Kt(x-k) 21
    • 21. 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) 22 NN(X)
    • 22. 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) 23
    • 23. 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) 24
    • 24. 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 25
    • 25. 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 26 0.3 0.4 0.5 Kt Original 0.6 0.7 0.8 0.9 1
    • 26. PREDICCIÓN RADIACIÓN SOLAR1. OBJETIVOS2. REVISIÓN TÉCNICAS PREDICTIVAS3. METEODOLOGÍA4. RESULTADOS5. CONCLUSIONES Y FUTUROS TRABAJOS 27
    • 27. 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. 28
    • 28. TRABAJOS FUTUROSSimulación de los coeficientes de la transformada waveletmediante métodos lineales autorregresivos. autorregresivosCombinación de técnicas cluster y redes autoorganizativas.Utilización de datos de predicción del CMWF comoparámetros de entrada de la red neuronal.Imágenes de satélite  Aplicación de nuevas técnicas para modelar movimiento nubes. nubes Visión artificial.  Predicción coeficiente de nubosidad mediante wavenets. wavenetsPredicción de la radiación solar a largo plazo mediantetécnicas estadísticas de análisis de componentes principalespara relacionar los diferentes índices de oscilaciónatmosférica (NAO). 29

    ×