Integración de técnicas de predicción del recurso solar usando la teoría del portfolio

• Autores: Marcello Anderson Ferreira Batista Lima
• Directores de la Tesis: Luis Miguel Fernández Ramírez (dir. tes.), Paulo Cesar Marques de Carvalho (codir. tes.)
• Lectura: En la Universidad de Cádiz ( España ) en 2020
• Idioma: español
• Tribunal Calificador de la Tesis: Paulo Cesar Marques de Carvalho (presid.), Pablo García Triviño (secret.), Arthur Plinio de Souza Braga (voc.), Francisco Jurado Melguizo (voc.), Jose Renato de Brito Sousa (voc.), Carlos Andrés García Vázquez (voc.)
• Programa de doctorado: Programa de Doctorado en Ingeniería Energética y Sostenible por la Universidad de Cádiz
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
  • Astronomía y astrofísica
    • Sistema solar
      • Energía solar
  • Ciencias de la tierra y del espacio
    • Meteorología
      • Previsión meteorológica a largo plazo
• Texto completo no disponible (Saber más ...)
• Resumen

  • En las últimas décadas, se han implementado varios métodos de predicción para mejorar la predicción el pronóstico de los recursos energéticos intermitentes. Motivada por el crecimiento del uso de plantas fotovoltaicas (FV), esta tesis desarrolla una técnica llamada PrevTP, basada en la integración de técnicas de predicción mediante la Teoría del Portfolio (TP). TP es una herramienta utilizada en el sector financiero para reducir el riesgo de pérdida de inversiones mediante la diversificación de activos. Para la predicción solar, la TP, a través de PrevTP, se adapta con un enfoque en la reducción de errores de predicción. La PrevTP aprovecha los activos de previsión diversificados, es decir, cuando uno de los activos obtiene errores, el otro activo realiza una compensación de errores mediante ponderaciones predefinidas de acuerdo con la metodología utilizada. Como activos de previsión de la PrevTP, la presente tesis utiliza las estructuras de las técnicas de aprendizaje: Multilayer Perceptron (MLP) Backpropagation; Radial Basis Function (RBF); Support Vector Regression (SVR); y Deep Learning (DL). La técnica desarrollada se aplica a dos lugares con diferentes condiciones de irradiación solar: Fortaleza, Brasil, y Algeciras, España. Usando las 4 técnicas, es posible ver la reducción de los errores de predicción a través de la integración. Las etapas de aplicación de PrevTP son: recolección de datos, previsión de irradiancia solar a través de los activos individualmente, estudio de errores de predicción, procesamiento de datos de errores de predicción por la PrevTP, definición final de ponderaciones de activos por PrevTP y, finalmente, verificación de errores de predicción con las 4 técnicas integradas por la metodología propuesta en comparación con los activos individuales. Los resultados obtenidos muestran que el Mean Absolute Percentage Error (MAPE) para las predicciones con PrevTP es del 4,52% en Brasil y del 5,36% en España. En ambos casos, los resultados de PrevTP son mejores que los encontrados en otras técnicas utilizadas solas, con valores MAPE entre 6,08% a 8,53%, lo que caracteriza a PrevTP como una herramienta con impactos positivos para el manejo de energía solar.