english Icono del idioma   español Icono del idioma  

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/47237 Cómo citar
Título: Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala.
Autor: Iturbide, Paula
Orsi, Ximena
Denegri, María José
Fioretti, Santiago
Ruiz, Pablo
Luza, Sergio
Stern, Valeria
Alonso-Suárez, Rodrigo
Ronchetti, Franco
Tipo: Artículo
Palabras clave: Radiación solar, Aprendizaje automático, Imágenes satelitales, GOES16, GHI
Fecha de publicación: 2023
Resumen: La falta de precisión en los datos de radiación solar puede tener un gran impacto en la rentabilidad de los proyectos de energía solar. Las redes de medición terrestre ofrecen información limitada por su distribución esparza en el territorio. Esto lleva a desarrollar modelos de estimación por imágenes satelitales, los cuales resuelven la espacialidad si son ajustados a mediciones terrestres de calidad. En este estudio, se desarrollan y validan modelos empíricos de aprendizaje automático para la estimación por satélite de radiación solar global horizontal, demostrando su utilidad y precisión en la región analizada. Estos modelos se alimentan con variables provenientes de imágenes satelitales GOES- 16 y variables geométricas. Los resultados sugieren que para ciertas combinaciones de variables satelitales de entrada, la información geométrica puede ser utilizada en forma implícita para realizar estimaciones precisas de la radiación solar. Debido al volumen de la información satelital disponible, desarrollamos un análisis de componentes principales para reducir la dimensionalidad. Para comparar el modelo propuesto adaptamos localmente las estimaciones del Heliosat-4 y del CIM-ESRA al sitio, y también implementamos el modelo CIM-McClear. Los resultados muestran una superioridad de desempeño del modelo de aprendizaje automático propuesto, demostrando que es capaz de extraer información de la multiescala espacial satelital. Por otro lado, la mejora de desempeño obtenida es leve, lo que muestra la dificultad en seguir mejorando el desempeño de la estimación satelital de radiación solar.
Descripción: XLV Reunión de Trabajo de la ASADES (Salta, 31 de octubre al 3 de noviembre de 2023).
EN: Avances en Energías Renovables y Medio Ambiente; vol. 27, pp. 462-473, 2023.
Citación: Iturbide, P., Orsi, X., Denegri, M. y otros. "Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala". Avances en Energías Renovables y Medio Ambiente; vol. 27. [en línea] 2023, pp. 462-473.
Aparece en las colecciones: Publicaciones académicas y científicas - Laboratorio de Energía Solar (LES)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato   
IODFRLSAR23.pdfVersión publicada1,51 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons