Pronóstico de generación de energía de granja fotovoltaica utilizando un modelo de batería fotovoltaica con capacidades de aprendizaje automático
Autores: Alao, Agboola Benjamin; Adeyanju, Olatunji Matthew; Chamana, Manohar; Bayne, Stephen; Bilbao, Argenis
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Pronóstico de generación de energía de granja fotovoltaica utilizando un modelo de batería fotovoltaica con capacidades de aprendizaje automático
Categoría
Energía
Subcategoría
Energía solar
Palabras clave
Aprendizaje automático
Modelo fotovoltaico
Microred
Sistema de baterías
Sistema de Inferencia Neuro-Difusa Adaptativa
Algoritmo de predicción MIMO
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
Este estudio presenta un modelo fotovoltaico (PV) basado en aprendizaje automático para la gestión y planificación de energía en una microred con un sistema de baterías. Las microredes que integran PV enfrentan desafíos como la variabilidad de la irradiancia solar, las fluctuaciones de temperatura y la generación intermitente, que impactan la estabilidad de la red y la eficiencia del almacenamiento de baterías. Los modelos existentes a menudo carecen de precisión predictiva, eficiencia computacional y adaptabilidad a las condiciones ambientales cambiantes. Para abordar estas limitaciones, el modelo propuesto integra un Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS) con un algoritmo de predicción de múltiples entradas y múltiples salidas (MIMO), utilizando datos históricos de temperatura e irradiancia para pronósticos precisos y eficientes. Los resultados de simulación demuestran altas precisiones de predicción del 95.10% para la temperatura y del 98.06% para la irradiancia en el conjunto de datos-1, reduciendo significativamente las demandas computacionales y superando las técnicas de predicción convencionales. El modelo utiliza además las salidas de ANFIS para estimar la generación de PV y optimizar el estado de carga (SoC) de la batería, logrando una reducción mínima consistente del SoC de aproximadamente 0.88% (del 80% al 79.12%) en cuatro tipos diferentes de baterías durante un ciclo de carga-descarga de siete días, proporcionando hasta 11 horas de autonomía de batería bajo condiciones de carga específicas. Una validación adicional con otros cuatro conjuntos de datos distintos confirma la robustez de la red ANFIS y su superior capacidad para manejar variaciones complejas de datos con precisión consistente, convirtiéndola en una herramienta valiosa para mejorar la estabilidad de la microred, la utilización del almacenamiento de energía y la fiabilidad general del sistema. En general, ANFIS supera a otros modelos (como ajustes de curvas, ANN, Stacked-LSTM, RF, XGBoost, GBoostM, Ensemble, LGBoost, CatBoost, CNN-LSTM y MOSMA-SVM) con una precisión promedio del 98.65%, y un valor de RMSE de 0.45 en las predicciones de temperatura, mientras mantiene una precisión del 98.18%, y un valor de RMSE de 31.98 en las predicciones de irradiancia en todos los cinco conjuntos de datos. El tiempo computacional promedio más bajo de 17.99s se logró con el modelo ANFIS en todos los conjuntos de datos en comparación con otros modelos.
Descripción
Este estudio presenta un modelo fotovoltaico (PV) basado en aprendizaje automático para la gestión y planificación de energía en una microred con un sistema de baterías. Las microredes que integran PV enfrentan desafíos como la variabilidad de la irradiancia solar, las fluctuaciones de temperatura y la generación intermitente, que impactan la estabilidad de la red y la eficiencia del almacenamiento de baterías. Los modelos existentes a menudo carecen de precisión predictiva, eficiencia computacional y adaptabilidad a las condiciones ambientales cambiantes. Para abordar estas limitaciones, el modelo propuesto integra un Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS) con un algoritmo de predicción de múltiples entradas y múltiples salidas (MIMO), utilizando datos históricos de temperatura e irradiancia para pronósticos precisos y eficientes. Los resultados de simulación demuestran altas precisiones de predicción del 95.10% para la temperatura y del 98.06% para la irradiancia en el conjunto de datos-1, reduciendo significativamente las demandas computacionales y superando las técnicas de predicción convencionales. El modelo utiliza además las salidas de ANFIS para estimar la generación de PV y optimizar el estado de carga (SoC) de la batería, logrando una reducción mínima consistente del SoC de aproximadamente 0.88% (del 80% al 79.12%) en cuatro tipos diferentes de baterías durante un ciclo de carga-descarga de siete días, proporcionando hasta 11 horas de autonomía de batería bajo condiciones de carga específicas. Una validación adicional con otros cuatro conjuntos de datos distintos confirma la robustez de la red ANFIS y su superior capacidad para manejar variaciones complejas de datos con precisión consistente, convirtiéndola en una herramienta valiosa para mejorar la estabilidad de la microred, la utilización del almacenamiento de energía y la fiabilidad general del sistema. En general, ANFIS supera a otros modelos (como ajustes de curvas, ANN, Stacked-LSTM, RF, XGBoost, GBoostM, Ensemble, LGBoost, CatBoost, CNN-LSTM y MOSMA-SVM) con una precisión promedio del 98.65%, y un valor de RMSE de 0.45 en las predicciones de temperatura, mientras mantiene una precisión del 98.18%, y un valor de RMSE de 31.98 en las predicciones de irradiancia en todos los cinco conjuntos de datos. El tiempo computacional promedio más bajo de 17.99s se logró con el modelo ANFIS en todos los conjuntos de datos en comparación con otros modelos.