Método de Predicción de Irradiancia Solar para el Sistema de Suministro de Energía Fotovoltaica de una Máquina de Riego Móvil Usando el Modelo WOA-XGBoost
Autores: Li, Dan; Qu, Jiwei; Zhu, Delan; Qin, Zheyu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Método de Predicción de Irradiancia Solar para el Sistema de Suministro de Energía Fotovoltaica de una Máquina de Riego Móvil Usando el Modelo WOA-XGBoost
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Energía solar
Modelo de predicción
Irradiancia solar
Parámetros meteorológicos
Modelo XGBoost
Capacidad de potencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
La energía solar puede mitigar la escasez de suministro eléctrico en regiones remotas para sistemas de riego portátiles. La predicción precisa de la irradiancia solar es crucial para determinar la capacidad de potencia de los sistemas de generación de energía fotovoltaica (PVPG) para máquinas de riego móviles. En este estudio, se propone un método de predicción para estimar la irradiancia solar de áreas de riego típicas. Se estudia la relación entre los parámetros meteorológicos y la irradiancia solar, y se forman cuatro combinaciones diferentes de parámetros que se consideran como entradas para el modelo de predicción. Basado en datos meteorológicos proporcionados por diez estaciones de radiación típicas distribuidas uniformemente a nivel nacional, se desarrolla un modelo de Extreme Gradient Boosting (XGBoost) optimizado utilizando el Algoritmo de Optimización de Ballenas (WOA) para predecir la radiación solar. Luego se evalúan la precisión y estabilidad de la predicción del método propuesto para diferentes parámetros de entrada a través de entrenamiento y pruebas. También se comparan las diferencias entre el rendimiento de predicción de modelos entrenados con datos de una sola estación y datos mezclados de múltiples estaciones. Los resultados obtenidos muestran que el modelo propuesto logra la mayor precisión de predicción cuando se utilizan como parámetros de entrada la temperatura máxima, la temperatura mínima, la proporción de horas de sol, la humedad relativa, la velocidad del viento y la radiación extraterrestre. En la prueba del modelo, el RMSE y el MAE de WOA-XGBoost son 2.142 MJ·m·d y 1.531 MJ·m·d, respectivamente, mientras que los de XGBoost son 2.298 MJ·m·d y 1.598 MJ·m·d. La efectividad de la predicción también se verifica con datos medidos. El modelo WOA-XGBoost tiene una mayor precisión de predicción que el modelo XGBoost. El modelo desarrollado en este estudio puede aplicarse para pronosticar la irradiancia solar en diferentes regiones. Al introducir los datos de parámetros meteorológicos específicos de un área determinada, este modelo puede producir de manera efectiva predicciones precisas de irradiancia solar para esa región. Este estudio proporciona una base para la optimización de la configuración de los sistemas PVPG para máquinas de riego móviles.
Descripción
La energía solar puede mitigar la escasez de suministro eléctrico en regiones remotas para sistemas de riego portátiles. La predicción precisa de la irradiancia solar es crucial para determinar la capacidad de potencia de los sistemas de generación de energía fotovoltaica (PVPG) para máquinas de riego móviles. En este estudio, se propone un método de predicción para estimar la irradiancia solar de áreas de riego típicas. Se estudia la relación entre los parámetros meteorológicos y la irradiancia solar, y se forman cuatro combinaciones diferentes de parámetros que se consideran como entradas para el modelo de predicción. Basado en datos meteorológicos proporcionados por diez estaciones de radiación típicas distribuidas uniformemente a nivel nacional, se desarrolla un modelo de Extreme Gradient Boosting (XGBoost) optimizado utilizando el Algoritmo de Optimización de Ballenas (WOA) para predecir la radiación solar. Luego se evalúan la precisión y estabilidad de la predicción del método propuesto para diferentes parámetros de entrada a través de entrenamiento y pruebas. También se comparan las diferencias entre el rendimiento de predicción de modelos entrenados con datos de una sola estación y datos mezclados de múltiples estaciones. Los resultados obtenidos muestran que el modelo propuesto logra la mayor precisión de predicción cuando se utilizan como parámetros de entrada la temperatura máxima, la temperatura mínima, la proporción de horas de sol, la humedad relativa, la velocidad del viento y la radiación extraterrestre. En la prueba del modelo, el RMSE y el MAE de WOA-XGBoost son 2.142 MJ·m·d y 1.531 MJ·m·d, respectivamente, mientras que los de XGBoost son 2.298 MJ·m·d y 1.598 MJ·m·d. La efectividad de la predicción también se verifica con datos medidos. El modelo WOA-XGBoost tiene una mayor precisión de predicción que el modelo XGBoost. El modelo desarrollado en este estudio puede aplicarse para pronosticar la irradiancia solar en diferentes regiones. Al introducir los datos de parámetros meteorológicos específicos de un área determinada, este modelo puede producir de manera efectiva predicciones precisas de irradiancia solar para esa región. Este estudio proporciona una base para la optimización de la configuración de los sistemas PVPG para máquinas de riego móviles.