Dn,P Conjunto total de datos para el entrenamiento n Cantidad de datos recopilados para el entrenamiento q Número de variables de entrada para el entrenamiento r Número de variables de salida para el entrenamiento P Número de variables totales para el entrenamiento g Función de activación. Om,pL Valor de salida estimado en una red neuronal j Capa a considerar en una red neuronal i Número de la neurona dentro de una capa.
Problem´ atica
Aunque todo apunta a la utilización de energías renovables, en este caso solar, para la demanda energética en lugar de recursos no renovables como se ve en la Figura 1.2, para determinar el comportamiento solar y más aún para estimar la cantidad de radiación que directa o globalmente afectado es un proceso estocástico [3]. El primero supondría una importante reducción de los costes de generación y una mejora de la logística de almacenamiento, mientras que el segundo disfrutaría de los beneficios directos del primero.
Antecedentes
La Tabla 1.1 confirma la información de la Figura 1.3, que muestra la radiación solar promedio anual en varias ciudades de México [14]. La Figura 1.4 muestra el comportamiento de la radiación horizontal global en el mundo [19].
Objetivos
Objetivo general
En [33], se utiliza una red neuronal artificial (RNA) para obtener el modelo y predecir la energía fotovoltaica; En [36] se supone que los caprichos de la naturaleza producen un modelo basado en RNA-ANFIS y la generación de energía fotovoltaica y eólica prevista.
Objetivos espec´ıficos
En [30] se mencionan los efectos de algunas variables meteorológicas en la generación de energía, pero no existe un modelo representativo de la planta y toda la información se genera de forma experimental. En [35] se aplica una red neuronal; Sin embargo, la información recopilada se registra cada 3 horas para el año 2014 y cada hora para el año 2016.
Aportaci´ on
Desarrollar un modelo inteligente que sea capaz de estimar la producción eléctrica en el SFV en base a las variables meteorológicas más importantes de la ubicación. Compare el modelo resultante con la salida eléctrica de un sistema fotovoltaico real instalado en la Universidad de Sonora en Hermosillo, Sonora.
Organizaci´ on de la tesis
Constituci´ on de un sistema fotovoltaico
- Panel solar
- Bater´ıa
- Regulador de carga
- Inversor
Este aumento en la concentración de cargadores minoritarios da como resultado el flujo de cargadores minoritarios a través de la región de agotamiento hacia las áreas cuasi neutrales. Para que la instalación funcione correctamente es necesario implementar un sistema de control de carga en la unión entre los paneles solares y las baterías.
Conclusiones del cap´ıtulo
En los inversores, las formas de onda del voltaje de salida deben ser sinusoidales; Sin embargo, en los inversores reales no son sinusoidales y contienen ciertos armónicos. Dada la disponibilidad de dispositivos semiconductores de potencia de alta velocidad, es posible reducir significativamente el contenido armónico de la tensión de salida mediante diversas técnicas de conmutación.
Estaci´ on meteorol´ ogica
Wind Run: Registra la cantidad de viento que pasa por la estación en un período determinado, en millas de viento o kilómetros de viento. En Densidad del Aire: Registra la densidad del aire en el interior de donde se encuentra la consola.
Piran´ ometro
La radiación global o total es la suma de la radiación directa y dispersa sobre una superficie. Es la medida más común de la radiación solar (radiación total sobre una superficie horizontal) [46].
Conclusiones del cap´ıtulo
La radiación solar que llega a la superficie de la Tierra después de que su dirección ha cambiado mediante dispersión en la atmósfera se conoce como radiación difusa. La radiación que incide sobre una superficie también consiste en radiación solar dispersada desde el cielo y posiblemente radiación solar reflejada desde el suelo.
Red Neuronal Artificial
Generalidades
Existen muchos trabajos sobre métodos inteligentes para estimar el comportamiento de diferentes sistemas e incluso predecirlos [27,28]. Asimismo, los métodos inteligentes tienen una gran ventaja al poder representar con precisión procesos tanto lineales como no lineales.
Par´ ametros y funciones de activaci´ on
Entrenamiento
Sistema Difuso
- Generalidades
- Sentencias difusas y funciones de membres´ıa
- Proceso de inferencia difusa
- Tipos de sistemas difusos
El resultado de cada regla es la combinación lineal de las variables de entrada más un término constante, y el resultado final es el promedio de los pesos de la salida de cada regla. A partir de los valores obtenidos se aplica la ecuación (4.11) para obtener la producción total. El área incluida en w1 para C1 y w2 para C2 (áreas verdes) es el resultado de cada regla difusa, y la unión de ambas es el resultado total.
Red Adaptable basada en Sistemas de Inferencia Difusa
Generalidades
Descripci´ on de un ANFIS
Cada nodo doi en esta capa es un nodo cuadrado con una función de membresía (Ecuación (4.12)) donde x es la entrada al nodo doi y Ai es la etiqueta lingüística asociada (baja, alta, etc.) con la función. Cada nodo en esta capa es un nodo circular, simbolizado por Π, donde la entrada directa se multiplica para obtener la salida descrita por la ecuación (4.13). Cada nodo i en esta capa es un nodo cuadrado con la función descrita por la ecuación (4.15) donde.
Entrenamiento
El único nodo en esta capa es un nodo circular, simbolizado por Σ, que calcula la salida total como la suma de todas las señales de entrada mediante la ecuación (4.16), que es análoga a la ecuación (4.11). Dado que M suele ser mayor que P, el problema tiende a estar sobredeterminado, siendo la mejor solución para Φ minimizar ||AΦ−B||2 aplicando el estimador de mínimos cuadrados Φ∗ definido por la ecuación (4.23). Las condiciones iniciales para la ecuación (4.24) son Φ0 = 0 y S0 = γI, donde γ es un valor positivo grande e I es la matriz identidad de dimensión M×M.
Conclusiones del cap´ıtulo
Selecci´ on de las variables meteorol´ ogicas
Correlaci´ on, recta de regresi´ on y coeficiente de determinaci´ on
El coeficiente de determinación para este caso se obtiene mediante las Ecuaciones (5.6) y (5.7), donde ¯y es la media de la variable dependiente y e es el error entre el valor real y el estimado por la regresión. Estas ecuaciones representan la magnitud del error residual asociado con la variable dependiente antes de la regresión y la suma de los errores al cuadrado, respectivamente. En la Tabla 5.1 se muestran los valores del coeficiente de determinación para cada variable meteorológica según los diagramas de dispersión de la Figura 5.1.
Optimizaci´ on por Gradiente Descendente
Considerando esta tabla, la radiación solar y el tiempo son las variables más relacionadas con la energía solar. Utilizando los datos meteorológicos previamente establecidos y aplicando la ecuación (5.13), se determina la influencia de cada variable sobre la energía solar como se muestra en la tabla 5.2.
Selecci´ on
Modelo ANFIS
Entrenamiento del sistema
De manera similar, la Tabla 5.10 contiene las funciones Takagi-Sugeno para la salida ANFIS 2 a) Presión atmosférica (b) Temperatura. Considerando 3, 3 y 4 funciones de membresía para cada variable de entrada, respectivamente, se obtienen 36 reglas difusas, que se presentan en la Tabla 5.12. De manera similar, la Tabla 5.13 contiene las funciones Takagi-Sugeno para la salida de ANFIS 3.
Resultados
Debido a estas consideraciones, en la simulación se aplicó un límite entre 0 W y 3100 W para acercar aún más el sistema neurodifuso al comportamiento real. A través de esto, el sistema neurodifuso ya no dependerá de los valores energéticos de la planta (recogidos), sino de los resultados que genera; con las variables meteorológicas del sitio como único insumo externo. La Figura 5.14 presenta el esquema de simulación final implementado en SIMULINK, y la Figura 5.15 muestra el resultado obtenido.
Conclusiones del cap´ıtulo
Para determinar el grado de satisfacción del resultado obtenido es necesario demostrar que el método utilizado fue el óptimo para dicha tarea, esto se consigue comparando la técnica elegida y descrita en el apartado 4.3.2 con las estadísticas. procedimientos que puedan obtener dicha estimación utilizando las mismas propiedades y condiciones. Asimismo, se debe aplicar un método que indique la cercanía de la estimación obtenida con respecto al comportamiento real. Como resultado de lo anterior, se utilizan como métodos de comparación estadística la regresión lineal múltiple (MRL) y la OGD, descritas en el apartado 5.1.2; De manera similar, para determinar su precisión se utilizan el coeficiente de determinación mencionado en el apartado 5.1.1 y diversos errores comúnmente utilizados en las estimaciones realizadas por sistemas inteligentes.
Comparaci´ on contra m´ etodos estadisticos
Aunque gráficamente muestra un desempeño exitoso en la Figura 5.15, no es posible considerarla una técnica decisiva. Aunque ambas técnicas tuvieron una solución numérica, es importante enfatizar que las cantidades calculadas para β son muy cercanas a cero, por lo que la estimación resultante es cercana a cero. Considerando lo anterior, a continuación se muestra la comparación entre la estimación obtenida a través del OGD y ANFIS utilizando los datos de entrenamiento (Figura 6.1) y los nuevos datos (Figura 6.2).
An´ alisis de precisi´ on
Dado que los resultados de la Figura 5.15 muestran un comportamiento sinusoidal, (Pm−Pe)/Pmno presenta el error correcto entre ambas señales. Los resultados de implementar cada uno de los errores descritos en las Ecuaciones y (6.13) en los modelos obtenidos por OGD y ANFIS se muestran en las Figuras 6.5 y 6.6, donde en cada uno de los casos implementados el modelo inteligente logró una mejor estimación con un error (rojo línea) siempre por debajo de la línea estadística (línea verde). Esto confirma la mejora que se muestra gráficamente en las Figuras 6.5 y 6.6. a) RMSE comparativo entre OGD y ANFIS.
Conclusiones del cap´ıtulo
Conclusiones
Trabajos futuros
Chaichan, “Solar power system daily forecast modeling using support vector machine for Oman,” International Journal of Applied Engineering Research, vol. High solar performance and climate factors for solar power plant deployment in the Andean countries of Argentina - comparison with African and Asian countries, "Journal of Solar Energy Engineering, vol. Clack, "Solar radiation and solar pv production modeling for generate a resource estimate using multivariate linear regression,” Journal of Applied Meteorology and Climatology, vol.
Creaci´ on de un equipo virtual
Descarga de datos en el sitio por LAN
En la Figura A.3, al seleccionar la pestaña Instalaciones fotovoltaicas, se muestran los dispositivos creados anteriormente. La ventana de descarga funciona como se ve en la Figura A.6 en la que se muestran dos secciones. La Figura A.8 muestra la visualización de la descarga en la pantalla, el tiempo requerido para completar la descarga es directamente proporcional al período de tiempo indicado anteriormente.
Visualizaci´ on del inversor en l´ınea
Por conexi´ on inal´ ambrica
Se conecta a dicho punto WiFi estableciendo la conexión inalámbrica e introduciendo los datos del módem a utilizar. El inversor quedará registrado automáticamente y podrá ser visto desde la página de Fronius generando una cuenta. Para registrar el inversor en uso, se toma el ID del registrador de datos y se ingresa en la plataforma.
Por conexi´ on LAN
Descarga de datos y variables
Una vez que la unidad virtual se genera correctamente, se habilita para la descarga de datos. La estación VANTAGE PRO2 ubicada en UNISON ya fue registrada y activada con el nombre hmo. Seleccione el segundo botón en la barra de comandos Descargar la estación meteorológica (Figura B.9) para descargar los datos de la última descarga hasta la fecha y luego seleccione el sexto botón Explorar los datos de la estación (Figura B.10) para ver todo el historial de datos. que se mostrará en la pantalla (Figura B.11).
Applied Sciences
Energies
Congreso Interdisciplinario de Energías Renovables, Mantenimiento Industrial, Mecatrónica e Informática Industrial, Mecatrónica e Informática Industrial, Mecatrónica e Informática.
