Pronóstico de la irradiación solar horaria en Uruguay y sur de Brasil utilizando redes neuronales recurrentes

Abstract

El aumento de la penetración de la energía solar fotovoltaica (PV) en las redes eléctricas requiere el uso de técnicas de pronóstico de la irradiación solar tendientes a un despacho eficiente de la generación, optimizando costos y valorizando mejor los excedentes para exportación. En este trabajo evaluamos el desempeño del pronóstico de la irradiación solar a partir del empleo de Redes Neuronales Recurrentes (RNN) del tipo Long Short Term Memory (LSTM), para la región del Uruguay y Rio Grande do Sul (RS). Se aborda el pronóstico horario de irradiación solar hasta 6 horas en adelante. Se evalúa el desempeño de las RNN con distintas entradas, utilizando el índice de cielo claro (kc) en el primer modelo y agregando datos de reflectancia planetaria por satélite (ST) para el segundo modelo. Se encontró, para la predicción de 1 a 6 horas, un rRMSD promedio en la región que varía entre 20,1 % y 39,2 % para el modelo con kc y entre 18,6 % y 39,0 % para el modelo con kc y ST. Se observa que incluir la información satelital mejora el desempeño del pronóstico sólo hasta 3 horas en adelante. Esta limitación está asociada al tamaño de la celda utilizada para el promediado espacial de la reflectancia satelital. El desempeño de ambos modelos supera el de la mejor persistencia inteligente, demostrando que se trata una técnica útil para la predicción de irradiación solar en la región.

Increasing the photovoltaic solar energy (PV) contribution in electricity grids requires the use of solar irradiation forecast techniques, seeking for an efficient dispatch, cost optimization and valorization of surplus energy for export. The aim of this work is to evaluate the performance of solar irradiation forecast for the region of Uruguay and Rio Grande do Sul (RS) using Long Short-Term Memory (LSTM) Recurrent Neural Networks (RNN). Hourly solar irradiation forecast up to 6 hours ahead is assessed. The performance is evaluated using different inputs for the RNN-LSTM. In the first model, the clear sky index (kc) time-series is used as only input. In the second model, the satellite planetary reflectance (ST) is aggregated. A site-average rRMSD between 20.1 % to 39.2 % is found for the kc model and between 18.6 % to 39.0 % is found for the kc and ST model, from 1 to 6 hours ahead respectively. It is observed that satellite information only improves the forecast up to 3 hours ahead. This limitation is associated with the cell size that is used for spatial smothing of the satellite reflectance. The results obtained for both models outperform the best smart persistence, showing that the technique is useful for solar energy forecast in the region.