Cies 2006 luis martín

Presentado por:

LUIS MARTÍN POMARES

DEPARTAMENTO DE ENERGÍADivisión de Energías Renovables

Plataforma Solar de Almería

Conferencia sobre Energías Renovables y Tecnologías del AguaRoquetas de Mar

5, 6 y 7 de octubre de 2006CIERTA 2006

13 de abril de 2023

PREDICCIÓN DE LA IRADIANCIA SOLAR DIARIA A PARTIR DE IMÁGENES DE

SATELITE

2

PREDICCIÓN IRADIANCIA SOLAR

1. INTRODUCCIÓN

2. TRATAMIENTO IMÁGENES SATÉLITE

3. METEODOLOGÍA PREDICCIÓN

4. RESULTADOS

5. CONCLUSIONES

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

4


1. INTRODUCCIÓN



4. RESULTADOS

5. CONCLUSIONES

5

RADIACIÓN SOLAR

0I

bIDI

Componentes de la radiación solar sobre superficie horizontal cosG b DI I I

Índice de claridad ó transparencia atmosférica 0

Gt

Ik

I

RADIACIÓN REFLEJADA

POR LAS NUBES Ios

RADIACIÓN DIFUSA

RADIACIÓN DIRECTA

SCATTERINGABSORCIÓN

Ea


POR EL ALBEDO TERRESTRE Its

RADIACIÓN EXTRATERRESTRE

Índice de cielo claro

Gcs

cs sky

Ik

I

Es

6

TELEDETECCIÓN RADIACIÓN SOLAR

0I

bIDI

Balance energético del sistema Tierra-Atmósfera

Radiación absorvida por la tierra


POR LAS NUBES Ios

RADIACIÓN DIFUSA

RADIACIÓN DIRECTA

SCATTERINGABSORCIÓN

Ea


POR EL ALBEDO TERRESTRE Its

RADIACIÓN EXTRATERRESTRE

Es

tas EEII 0

)1( AIE Gt

ase0g EIIA1

1I

7

Basados 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 SATELITARIOS

DATOS PIRANOMÉTRICOS

Valor_Coruña Gh_Coruña Valor_Madrid Gh_Madrid Valor_Murcia Gh_Murcia ..... ...... ..... ......

RELACIÓN

TRATAMIENTO DE IMÁGENES MEDIANTE MODELOS ESTADÍSTICOS

8IMAGEN ORIGINAL C. NUBOSIDAD KT HORARIO

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 DIARIO

METODOLOGÍA

9

Imagen original09/04/94

slot 21= 10 a 10:30

Brillancia

A. aparente 09/04/94

slot 21= 10 a 10:30

Albedo x 100

C. nubosidad 09/04/94

slot 21= 10 a 10:30refnub

refapn

C. de nubosidad x 100

),( , refan

A. Referencia 09/04/94Actualizado mediante

Filtro adaptativo

Albedo x 100

DETERMINACIÓN DEL COEFICIENTE DE NUBOSIDAD

10

C. nubosidad 09/04/94 slot 21

I. Claridad 09/04/94 slot 21

C. de nubosidad x 100

I. de claridad x 100

)7473,07438,07690,0

7050,07136,07153,0(

8073,0060,0

NTCTST

NMCMSM

nKGh

Utilizando los datos medidos en tierra simultáneamente a los tres años de imágenes de satélite, se entrena una expresión en la que se añaden a la nubosidad variables explicativas como: la declinación, y seis variables cualitativas binarias, fruto de la combinación de seis situaciones posibles:

Latitud:

sur (<38º), centro (38º<centro<42º) o norte (>42º).

Hora del día:

mañana (slot = 21) o tarde (slot = 25 o 27)

DETERMINACIÓN DEL ÍNDICE DE CLARIDAD HORARIO

11

Donde además de los índices de claridad de las tres horas disponibles, como variables explicativas se introducen seis variables cualitativas binarias fruto de la combinación de seis situaciones posibles:

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).

KGh slot 21KGh slot 25

KGh slot 27 PARA CADA DÍA 94/95/96/97/98

I. de claridad diario

MOD



CVCPOCI

DVDPODI

KKKK GhGhGhGd

0323,00299,00241,0

0172,00193,00251,0

2671,02498,03794,0321

DETERMINACIÓN DEL ÍNDICE DE CLARIDAD DIARIO

12


1. INTRODUCCIÓN



4. RESULTADOS

5. CONCLUSIONES

13

ANÁLISIS ESPECTRAL DE SEÑALES

Transformada de Fourier

Problema: La transformada de FourierNo es adecuada para analizar señales

No estacionarias

Transformada Wavelet Continua

14

TRANSFORMADA WAVELET DISCRETA

Análisis Piramidal de la señal y descomposición de la señal en múltiples niveles mediante filtro paso baja y paso alta

BajaFrecuencia Alta

FrecuenciacD1cA1

cA2 cD2

cA3 cD3

Kt

15

DESCOMPOSICIÓN DE LA SEÑAL

0 50 100 150 200 250 300 3500

0.5

1Señal Original

Kt

0 50 100 150 200 250 300 3500

0.5

1Señal Aproximación 3

Kt

0 50 100 150 200 250 300 350-0.5

0

0.5Señal Detalle 1

Kt

0 50 100 150 200 250 300 350-0.5

0

0.5Señal Detalle 2

Kt

0 50 100 150 200 250 300 350-0.2

0

0.2Señal Detalle 3

Kt

0 50 100 150 200 250 300 3500

0.5

1Señal Reconstruida

Kt

Dia Juliano

16

NEURONA ARTIFICIAL

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

17

REDES NEURONALES - Estructura

CaracterísticasCaracterísticas•Adaptatividad y autoorganización de la red para nuevos patrones de entrada.•Procesamiento no lineal•Procesamiento en paralelo de las señales

18


1. INTRODUCCIÓN



4. RESULTADOS

5. CONCLUSIONES

19

MODELOS PREDICCIÓN: Perceptrón multicapa

Kt

Kt(x)

Kt(x-1)...Kt(x-k)

Kt(x+1)

20

RESULTADOS

Mean Absolute Error (MAE)

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 2 4 6 8 10 12

NN(X)

MA

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Mean Squared Error (MSE)

-0,1

0

0,1

0,2

0,3

0,4

0,5

0 2 4 6 8 10 12

NN(X)

MS

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Coeficiente Correlación (R)

0

0,1

0,2

0,3

0,4

0,5

0,6

0 2 4 6 8 10 12

NN(X)

R

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Modelo Red Neuronal Estructura

Modelo 1 1 Nodo

Modelo 2 7-1

Modelo 3 5-3-1

Modelo 4 7-5-3-1

21

MODELOS PREDICCIÓN: Wavenet

DW

DW

Kt

aD1(x)

aD1(x-1)...aD1(x-k)

aD1(x+1)•aD1

•aD2

•aD3

•aA3

aD2(x)…aD2(x-k)

aD3(x)…aD2(x-k)

aD2(x)…aD2(x-k)

aD2(x+1)

aD3(x+1)

aA1(x+1)

IDW

Kt(x+1)

22

RESULTADOS

Modelo Red Neuronal Estructura

Modelo 1 1 Nodo

Modelo 2 7-1

Modelo 3 5-3-1(cA)7-5-3-1(cD)

Modelo 4 7-5-3-1

Mean Absolute Error (MAE)

0

0,5

1

1,5

2

2,5

3

1 2 3 4 5 6 7 8 9 10

NN(X)

MA

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Coeficiente Correlación (R)

0

0,2

0,4

0,6

0,8

1

1,2

1 2 3 4 5 6 7 8 9 10

NN(X)

R

Modelo 1

Modelo 2

Modelo 3

Modelo 4

Mean Squared Error (MSE)

0

0,1

0,2

0,3

0,4

0,5

1 2 3 4 5 6 7 8 9 10

NN(X)

MS

E

Modelo 1

Modelo 2

Modelo 3

Modelo 4

23

Predicción Coeficientes Transformada Wavelet

0 50 100 150 200 250 300 3500.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9Coeficientes Transformada Wavelet Aproximacion 1

Día Juliano0 50 100 150 200 250 300 350

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3Coeficientes Transformada Wavelet Detalle 1

Día Juliano

0 50 100 150 200 250 300 350-0.4

-0.3

-0.2

-0.1

0

0.1

0.2


Día Juliano0 50 100 150 200 250 300 350

-0.2

-0.1

0

0.1


Día Juliano

Señal Original

Señal Predecida

24

Predicción Coeficientes Transformada Wavelet

0 50 100 150 200 250 300 350-0.2

0

0.2

0.4

0.6

0.8

1

1.2Predicción Kt

Día Juliano

Kt

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Kt Original

Pre

dic

ció

n K

t

0 50 100 150 200 250 300 3500

0.05

0.1

0.15

0.2

0.25Error Absoluto

Día Juliano

Err

or P

redi

cció

n K

t

25


1. INTRODUCCIÓN



4. RESULTADOS

5. CONCLUSIONES

26

Necesidad predicción radiación solar (RD 436/2004RD 436/2004).

Datos de tierra previos menor error predicciónDatos de tierra previos menor error predicción.

Técnicas mediante imágenes de satélite tienen error intrínseco por modelo HELIOSAT pero son ideales para la predicción en lugares donde no haya datos previos no haya datos previos disponiblesdisponibles. Estimación de la radiación solar a partir de imágenes de satélite como alternativa (distribución espacio-distribución espacio-temporal de la radiación solartemporal de la radiación solar).

Utilización del índice de claridad como variable normalizadaíndice de claridad como variable normalizada mejora la predicción de la irradiancia solar diaria mediante redes neuronales. Mejora de RMSE y MAE 0,1091 y 0,4433 frente a [S. Cao y J. Cao, 2005] de 0,9277 y 0,7193.

CONCLUSIONES

Cies 2006 luis martín

Documents

Transcript of Cies 2006 luis martín