Pronóstico de generación de energía fotovoltaica basado en aprendizaje profundo incorporando conocimiento del dominio

La energía solar constituye un complemento eficaz a las fuentes de energía tradicionales. Sin embargo, la generación de energía fotovoltaica (PVPG) es altamente dependiente del clima y, por lo tanto, muy intermitente. El pronóstico de alta precisión de la PVPG forma la base de la producción, transmisión y distribución de electricidad, asegurando la estabilidad y fiabilidad de los sistemas de energía. En este trabajo, proponemos un marco basado en aprendizaje profundo para pronosticar con precisión la PVPG. En particular, aprovechando la red de memoria a largo y corto plazo (LSTM) para resolver problemas de regresión basados en datos secuenciales, este artículo considera el conocimiento específico del dominio de la energía fotovoltaica y propone un LSTM restringido por física (PC-LSTM) para pronosticar la PVPG horaria del día siguiente. Su objetivo es superar la limitación de los recientes algoritmos de aprendizaje automático que se aplican basándose únicamente en datos masivos, y que, por lo tanto, generan pronósticos poco razonables. Se adoptan conjuntos de datos de PV de la vida real para evaluar la viabilidad y efectividad de los modelos. Se realiza un análisis de sensibilidad para la selección de variables de características de entrada basado en un método híbrido de dos etapas. Los resultados indican que el modelo PC-LSTM propuesto posee una capacidad de pronóstico más fuerte que el modelo LSTM estándar. Es más robusto frente a la previsión de PVPG, y más adecuado para el pronóstico de PVPG con datos escasos en la práctica. El modelo PC-LSTM también demuestra un rendimiento superior con una mayor precisión en el pronóstico de PVPG en comparación con métodos convencionales de aprendizaje automático y estadísticos.