Inteligencia artificial y paneles solares bifaciales para la optimización del autoconsumo energético

Marta Sierra Segovia

CITA

Sierra Segovia, M. (2023). Inteligencia artificial y paneles solares bifaciales para la optimización del autoconsumo energético. Analíticos, 5, 89-101.

ENLACE

https://ainves.org/an5202389101

RESUMEN

La actual crisis energética y el acentuado cambio climático hacen patente la necesidad de optimizar el consumo energético. Gracias a la masiva cantidad de datos al alcance de todos y a los avances tecnológicos que facilitan su análisis, entre ellos el deep learning o aprendizaje profundo, es posible dar con soluciones innovadoras que abordan dichos problemas, entre otros, desde una nueva perspectiva. En el presente proyecto se ha desarrollado un modelo de análisis predictivo basado en redes neuronales recurrentes de memoria larga a corto plazo (LSTM). Dicho modelo tiene la capacidad de estimar la producción energética de una instalación de autoconsumo formada por paneles solares bifaciales en las futuras veinticuatro horas, utilizando los datos de los tres días anteriores. Para su desarrollo se procesaron un total de 61.320 datos de potencia obtenidos a partir de datos meteorológicos, valores de albedo correspondientes a siete superficies distintas y el diseño digital de una instalación fotovoltaica. Los resultados corroboraron la predictibilidad de la potencia eléctrica, puesto que el algoritmo adquirió una notable precisión, con un MSE de 0,012 y un RMSE de 0,109. Esto permite la adecuación de la demanda a la disponibilidad, optimizando así el consumo energético.

ABSTRACT

The current energy crisis and ongoing climate change shed light on the need to optimize energy consumption. Thanks to the massive amount of data available and the technological breakthroughs that facilitate its analysis, such as deep learning methods, it is possible to discover innovative solutions to address these problems. In this project, a predictive analysis model based on long short-term memory (LSTM) recurrent neural networks has been developed. This model has the capacity to estimate the energy production of a self-consumption installa-tion made up of bifacial solar panels in the future twenty-four hours, using the data of the three previous days. For its development, a total of 61,320 power data was processed, which was obtained from meteorological data, albedo values corresponding to seven different surfaces and the digital design of a photovoltaic installation. The results confirmed the predictability of electrical power since the algorithm achieved remarkable accuracy, with an MSE of 0.012 and an RMSE of 0.109. This enables the adjustment of demand to availability, thus optimizing energy consumption.

REVISTA ANALÍTICOS 5 (2023) >

ARCHIVOS >