Resumen de Caracterización, modelización y predicción a corto plazo de la producción de la potencia de una planta fotovoltaica, utilizando cámara de cielo y Técnica de Inteligencia Artificial
- español
La energía solar fotovoltaica (FV) es la tecnología para la generación eléctrica que presenta un mayor crecimiento desde el año 2002, experimentando un incremento medio anual del 48%. La predicción del recurso solar para una planta FV conectada a la red, es absolutamente necesaria para asegurar una captura y transformación óptima de la energía solar disponible y una producción confiable de potencia. El desarrollo de métodos de predicción a corto plazo de la producción de las plantas es particularmente importante debido a su creciente incorporación a las redes eléctricas y a la variabilidad del recurso solar, debido principalmente a los fenómenos transitorios originados por la alternancia de nubes y claros. La acumulación de suciedad en la superficie de los módulos fotovoltaicos tiene un impacto notable en la producción de una instalación fotovoltaica. Este fenómeno, más conocido por el término anglosajón "soiling" está íntimamente relacionado con el ángulo de inclinación del panel y las condiciones meteorológicas, como son la cantidad de aerosoles presentes en la atmósfera, humedad relativa, velocidad y dirección del viento y precipitación. El objetivo fundamental del presente proyecto de tesis doctoral es desarrollar una metodología capaz de predecir a corto plazo, de una a tres horas, la producción de una planta fotovoltaica, incluyendo las pérdidas por soiling. Dicha metodología está basada en tratamiento de imágenes y técnicas de aprendizaje supervisado, como son las Redes Neuronales Artificiales.
- English
In recent times, photovoltaic production has increased exponentially in the energy industry as an alternative source in the fight against climate change. The variability of the solar resource affects these technologies, causing uncertainty in the stage of power generation to the grid. Therefore, PV production forecasting models are a useful tool for a grid operator, which aims to maintain the reliability and quality of the power grid. The most referenced forecasting methods in the literature are machine learning techniques. These techniques derive from a sub-area of artificial intelligence and their main objective is to develop models from historical data that can solve practical problems. In general, the main meteorological variables that influence the solar resource are cloud cover and fouling of PV modules. Therefore, the objective of this doctoral thesis is to quantify and measure these phenomena to develop a methodology based on sky camera images and artificial intelligence techniques for short-term photovoltaic production forecasting.
