Aprendizaje automático para la predicción de energía solar: un marco impulsado por datos para la predicción de energía renovable

La predicción de energía solar se ha convertido en un problema importante para la integración a la red y la gestión efectiva de la energía en sistemas de energía renovable. La irradiancia solar es intermitente y no lineal, y por lo tanto, necesita modelos predictivos sofisticados que no se limitan a los modelos estadísticos convencionales. En este artículo, los autores utilizan un enfoque basado en aprendizaje automático y aprendizaje profundo para derivar un marco complejo de predicción de energía solar impulsado por datos. Nuestra investigación aplica una combinación de varios métodos avanzados, como ingeniería de características, descomposición temporal y algoritmos de ensamblaje híbridos, para cubrir tanto la variabilidad a corto plazo como las tendencias a largo plazo de la generación solar. Construimos y probamos varios modelos de predicción como LSTM, XGBoost, Random Forest y un híbrido CNN-LSTM usando una combinación de información meteorológica, producción histórica de energía y otros métodos avanzados de preprocesamiento. La evidencia obtenida a través de la experimentación en datos fotovoltaicos del mundo real indica que nuestra estructura híbrida puede hacerlo mejor, con mejoras en el error absoluto medio de hasta el 44.55 por ciento y valores de R-cuadrado de más de 0.98. La estructura modular del marco permite la escalabilidad de la estructura a varias regiones geográficas y tecnologías solares, ofreciendo información viable a los operadores de red y planificadores de energía. Este estudio ayudará a mejorar la integración de energías renovables y facilitará el proceso de transición a sistemas energéticos sostenibles.