Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes

• Cuesta, Manuel ^[1] ; Constante, Jessica ; Jijón, Diego
  1. [1] a:1:{s:5:"es_ES";s:52:"Instituto de Investigación Geológico y Energético";}
• Localización: Revista Técnica "energía", ISSN-e 2602-8492, ISSN 1390-5074, Vol. 19, Nº. 2, 2023 (Ejemplar dedicado a: Revista Técnica "energía", Edición No. 19, ISSUE II), págs. 81-89
• Idioma: español
• Títulos paralelos:
  • Forecasting Models of Solar Radiation and Air Temperature through Recurrent Neural Network
• Enlaces
  • Texto completo
• Resumen
  • español

    El objetivo de este estudio es comparar dos arquitecturas de redes neuronales recurrentes de Elman y Jordan (RNRE y RNRJ), enfocadas en predicción de dos días de radiación solar y temperatura ambiente. Las entradas del modelo de predicción son variables meteorológicas como velocidad del viento, presión atmosférica, humedad relativa y precipitación. El Instituto de Investigación Geológico y Energético proveyó los datos de tres estaciones meteorológicas situadas en las Provincias de Pichincha y Tungurahua para las etapas de entrenamiento, validación y predicción de las redes.  Cada red se entrenó con tres funciones de aprendizaje, retropropagación, retropropagación de momento y retropropagación resiliente. Los resultados muestran los parámetros estadísticos de correlación de Pearson, error cuadrático medio y el comportamiento de la predicción sobre gráficas de temperatura del aire y radiación solar, de acuerdo a los modelos de RNRE y RNRJ. Este trabajo presenta coeficientes de correlación superiores a 0,9 en la etapa de validación. En la etapa de predicción, el coeficiente de correlación es superior a 0,8 y el error cuadrático medio muestra valores inferiores a 0,02 kW de radiación solar y 2 ºC de temperatura ambiente.

  • English

    The aim of this study is to compare two architectures of recurrent neural networks of Elman and Jordan (RNRE and RNRJ), focus on the forecasting for two days of solar radiation and air temperature. The inputs of the forecasting model are meteorological variables as wind speed, atmospheric pressure, relative humidity and precipitation. The Research Institute for Geology and Energy of Ecuador provided the data of three meteorological stations situated in the provinces of Pichincha and Tungurahua for neural network training, validation and forecasting stages. Each network was trained with three different learning functions: backpropagation, backpropagation momentum and resilient propagation. The results shows the statistical parameters, Person correlation, mean square error and forecasting behavior on graphics for air temperature and solar radiation, according to RNRE and RNRJ model. This work shows correlation index greater than 0,9 in the validation stage. In the forecasting stage, the correlation index is higher than 0,8 and the mean square error shows values less than 0,02 kW for solar radiation and 2 ºC for air temperature.