Pronóstico de la generación de energía solar utilizando un algoritmo evolutivo de emparejamiento-redes neuronales profundas

Este documento propone una integración de un algoritmo metaheurístico reciente, a saber, el Algoritmo Evolutivo de Emparejamiento (EMA), para optimizar los pesos y sesgos de las redes neuronales profundas (DNN) en la predicción de la generación de energía solar. El estudio emplea una Red Neuronal Feed Forward (FFNN) para pronosticar la producción de potencia de CA utilizando mediciones reales de plantas de energía solar que abarcan un período de 34 días, registradas a intervalos de 15 minutos. La compleja relación no lineal entre la irradiación solar, la temperatura ambiente y la temperatura del módulo se captura para una predicción precisa. Además, el documento lleva a cabo una comparación completa con algoritmos establecidos, incluyendo Evolución Diferencial (DE-DNN), Optimizador de Emparejamiento de Percebes (BMO-DNN), Optimización por Enjambre de Partículas (PSO-DNN), Algoritmo de Búsqueda de Armonía (HSA-DNN), DNN con optimizador de Estimación de Momento Adaptativo (ADAM) y modelos no lineales autorregresivos con entradas exógenas (NARX). Los resultados experimentales resaltan claramente el excepcional rendimiento de EMA-DNN al alcanzar el menor Error Cuadrático Medio (RMSE) durante las pruebas. Esta contribución no solo avanza las metodologías de pronóstico de energía solar, sino que también subraya el potencial de fusionar algoritmos metaheurísticos con redes neuronales contemporáneas para una mayor precisión y fiabilidad.