Uso de redes neuronales artificiales para la estimación de la radiación solar horaria bajo diferentes condiciones de cielo

Abstract

La radiación solar es un factor clave en numerosas aplicaciones, tales como sistemas fotovoltaicos o térmicos, en la arquitectura y en la agricultura. Sin embargo, no siempre es posible contar con datos experimentales de radiación solar en los lugares de interés. Por esta razón, anteriormente, una amplia variedad de modelos teóricos han sido desarrollados con el fin de estimar este parámetro. Este trabajo presenta un análisis comparativo de modelos de redes neuronales artificiales para la estimación de la radiación solar global horaria en la localidad de Florencio Varela, provincia de Buenos Aires, a partir de variables meteorológicas de sencilla obtención (temperatura y humedad relativa). Los resultados obtenidos muestran un pobre desempeño de los modelos cuando son entrenados con diferentes condiciones de cielo. Esto se debe fundamentalmente al conjunto limitado de datos utilizado y a la gran dispersión de valores de radiación solar medidos. Por el contrario, cuando se utiliza el índice de claridad Kt, y los modelos son entrenados con datos correspondientes a la condición de cielo despejado (Kt > 0.6), los errores de estimación se reducen significativamente. Estos modelos podrían aplicarse en lugares donde no se dispone de valores de radiación solar medidos.

Solar radiation is a key factor in many applications, such as photovoltaic or thermal systems, architecture and agriculture. However, experimental data on solar radiation may not be available in all geographical areas. For this reason, in the past, a wide variety of theoretical models have been developed in order to estimate this parameter. This paper presents a comparative analysis of artificial neural network models for estimating the hourly global solar radiation in Florencio Varela, province of Buenos Aires, from easily obtained meteorological data (temperature and relative humidity). The results obtained show a poor performance of the models when they are trained with different sky conditions. This is mainly due to the limited data set used and the large dispersion of measured solar radiation values. On the contrary, when the clarity index Kt is used, and the models are trained with data corresponding to the clear sky condition (Kt > 0.6), the estimation errors are significantly reduced. These models could be applied at sites where measured solar radiation values are unavailable.