Modelos de machine learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala

Abstract

La falta de precisión en los datos de radiación solar puede tener un gran impacto en la rentabilidad de los proyectos de energía solar. Las redes de medición terrestre ofrecen información limitada por su distribución esparza en el territorio. Esto lleva a desarrollar modelos de estimación por imágenes satelitales, los cuales resuelven la espacialidad si son ajustados a mediciones terrestres de calidad. En este estudio, se desarrollan y validan modelos empíricos de aprendizaje automático para la estimación por satélite de radiación solar global horizontal, demostrando su utilidad y precisión en la región analizada. Estos modelos se alimentan con variables provenientes de imágenes satelitales GOES- 16 y variables geométricas. Los resultados sugieren que para ciertas combinaciones de variables satelitales de entrada, la información geométrica puede ser utilizada en forma implícita para realizar estimaciones precisas de la radiación solar. Debido al volumen de la información satelital disponible, desarrollamos un análisis de componentes principales para reducir la dimensionalidad. Para comparar el modelo propuesto adaptamos localmente las estimaciones del Heliosat-4 y del CIM-ESRA al sitio, y también implementamos el modelo CIM-McClear. Los resultados muestran una superioridad de desempeño del modelo de aprendizaje automático propuesto, demostrando que es capaz de extraer información de la multiescala espacial satelital. Por otro lado, la mejora de desempeño obtenida es leve, lo que muestra la dificultad en seguir mejorando el desempeño de la estimación satelital de radiación solar.

The lack of precision in solar radiation data impacts the solar energy projects risk. Ground measurement networks provide limited information due to their sparse spatial distribution. This leads to estimation models based on satellite imagery, solving the spatial issue if carefully adjusted to quality ground measurements. In this article, we develop and validate an empirical Machine Learning (ML) model for satellite-based solar radiation estimation, demonstrating its usefulness and accuracy in the studied region. The models are fed with variables from GOES-16 satellite imagery, McClear model estimates, and geometric data. Our results suggest that for certain proposed models, satellite information is sufficient for accurately estimating solar radiation, by obtaining the temporal reference from implicit relationships between the considered satellite variables. Given the size of the data set, we propose a principal component analysis to reduce dimensionality. In order to compare the proposed model, we adapt Heliosat-4 and CIM-ESRA estimates to the site and implement the CIM-McClear model. The results indicate that the proposed model outperforms others, although slightly, showing how difficult it is to further improve solar radiation satellite-based estimation.