Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Cies 2006 luis martín

178 views

Published on

  • Be the first to comment

  • Be the first to like this

Cies 2006 luis martín

  1. 1. 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
  2. 2. PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 2
  3. 3. 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
  4. 4. PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 4
  5. 5. 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
  6. 6. 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
  7. 7. 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
  8. 8. 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
  9. 9. 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
  10. 10. 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
  11. 11. 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
  12. 12. PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 12
  13. 13. ANÁLISIS ESPECTRAL DE SEÑALES Transformada de Fourier Transformada Wavelet ContinuaProblema: La transformada de FourierNo es adecuada para analizar señales No estacionarias 13
  14. 14. 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
  15. 15. 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
  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 16
  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 17
  18. 18. PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 18
  19. 19. MODELOS PREDICCIÓN: Perceptrón multicapa Kt(x)Kt Kt(x-1) . . Kt(x+1) . Kt(x-k) 19
  20. 20. 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)
  21. 21. 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
  22. 22. 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
  23. 23. 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
  24. 24. 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
  25. 25. PREDICCIÓN IRADIANCIA SOLAR1. INTRODUCCIÓN2. TRATAMIENTO IMÁGENES SATÉLITE3. METEODOLOGÍA PREDICCIÓN4. RESULTADOS5. CONCLUSIONES 25
  26. 26. 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

×