Solar radiation forecasting with wrf model in the iberian peninsula
Comparación de técnicas predictivas basadas en series temporales aplicadas al índice de claridad semidiario
1. COMPARACIÓN DE TÉCNICAS PREDICTIVAS BASADAS EN SERIES V.4.J.7 ÉRI
CO
IB O
TEMPORALES APLICADAS AL ÍNDICE DE CLARIDAD SEMIDIARIO C
GR
E SO ICAN
XIV IBER GÍA 8
R
ON OAME SOLAR
IX ENER 200
DE Junio O
VIG
Martín L., Zarzalejo L.F., Polo J., Navarro A., Marchante R.
1. INTRODUCCIÓN 2. PROPIEDADES ESTADÍSTICAS DE LA SERIE DE ÍNDICE DE CLARIDAD
La participación en el mercado liberalizado de la energía (RD 436/2004, 661/2007) se rige de
acuerdo a dos reglas básicas: 1. predecir hasta 72 horas de antelación energía ofertada. 2. Las FUNCIÓN DE DENSIDAD DE PROBABILDAD MUESTRAL
desviaciones son fuertemente penalizadas. Se abordara el estudio de la predictibilidad
meteorológica aplicada a valores semidiarios de índice de claridad con horizonte de predicción de Alta frecuencia de condiciones de cielo claro. La función de distribución de
seis ciclos semidiarios. probabilidad del índice de claridad se aproximada a una función biexponencial
dependiente del índice de claridad medio mensual y en base a los valores máximo y
4. RESULTADOS
mínimos de cada mes.
Cada modelo ensayado se compara con el modelo persistencia (PER). Se estudia la mejora de los
modelos en términos porcentuales comparado con la desviación cuadrática media (RMSD) MADRID MURCIA
45.0° N
N
1
6 6
∑ ( xi − xi )
2
RMSD = ˆ 42.5° N
N i=1 40.0° N
5 5
• Madrid RRN AEMet
i − errorm
4 4
N ú m ero d e m u estras
mejora = 1 −
37.5° N
÷
• Murcia RRN AEMet
i − error ÷
3 3
p
35.0° N
15.0° W12.5° ° 10.0° E
W10.0° W 7.5°
W 5.0° W 2.5° W 0.0° 2.5 ° E 5.0° E 7.5 E
2 2
MADRID RRN AEMet MURCIA RRN AEMet
40 40 1 1
M S (2)-AR (1)
38 M S (2)-AR (2) 38
M S (2)-AR (3)
M S(2)-AR (1) 0 0
M S(2)-AR (2) 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
36 M S (2)-AR (4) 36
M S(2)-AR (3) K t S e m idiario K t S e m idiario
% R M S D Pred icció n S em id iaria K t
P ersisten cia
34 34 M S(2)-AR (4)
P ersistencia
M 32 32
FUNCIÓN DE AUTOCORRELACIÓN PARCIAL MUESTRAL
S
- 30 30
Presenta un valor significativo exclusivamente con el semidía anterior entre 0.5 y 0.7.
A 28 28
R 26 26 MADRID MURCIA
24 24
22 22
1 2 3 4 5 6 1 2 3 4 5 6
Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías) 0 .8 0 .8
40 40
N N (1) N N (1)
38 N N (2) 38 N N (2)
N N (3)
0 .6 0 .6
N N (3)
36 N N (4) 36 N N (4)
% R M S D P red icció n S em id iaria K t
N N (5)
N N (6) N N (5) 0 .4 0 .4
34 34
N N (7) N N (6)
32 N N (8) 32 N N (7)
N N (9) N N (8) 0 .2 0 .2
N 30
N N (10)
30 N N (9)
PER
N N (10)
N 28 28 PE R 0 0
26 26
-0 .2 -0 .2
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
24 24 R e ta rd o R e ta rd o
22 22
1 2 3 4 5 6 1 2 3 4 5 6
Horizonte Predicción (S em idías) Horizonte Predicción (Sem idías)
40 40 3. METODOLOGÍA
38 38 A N FIS (1 )
A N FIS (2 ) Método de intercambio de modelos autorregresivos en base a cadenas de Markov
36 36 A N FIS (3 )
(MS-AR)
% R M S E P red icció n Sem id iaria K t
A N FIS (4 )
34 34 A N FIS (5 ) Se expresa mediante K modelos autorregresivos según los diferentes estados (St) del sistema
A P ersistencia representado mediante cadenas de Markov de orden 2.
32 32
N
F 30 A NF IS (1) 30
Redes Neuronales (NN)
I 28
A NF IS (2)
28 Se basa en una simulación abstracta de los sistemas nerviosos biológicos que tratan de mimetizar
A NF IS (3)
S A NF IS (4) sus habilidades. NN(z) índica el tamaño del vector patrón de entrada empleado z=1…10.
26 26
A NF IS (5)
24 PE R 24 Adaptative Network based Fuzzy Inference System (ANFIS)
22 22 Utiliza un método de aprendizaje híbrido , el cual puede construir un mapa entrada-salida
1 2 3 4 5 6 1 2 3 4 5 6 basado en el conocimiento humano (bajo reglas borrosas if-then) y pares de datos entrada-salida.
Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías)
ANFIS(z) índica el tamaño del vector patrón de entrada empleado z=1…5.
M adrid: M ejora frente Persistencia M urcia: M ejora frente Persistencia
24
M S (2)-A R (1)/P ersistencia
24 5. CONCLUSIONES
22
•Los métodos nolineales presentan mejores resultados que el método lineal
N N (10)/P ersistencia 22
M A N FIS (6)/P ersistencia
E 20 20 ensayado, aunque no existe una diferencia significativa.
J 18 18 •Los métodos nolineales mejoran resultado aumentando el número de
O semidías de entrada debido al comportamiento no-lineal del índice de
M ejo ra % R M S D
16 16
R M S (2)-A R (1)/P ersistencia
A 14 14
N N (10)/P ersistencia
A N FIS (6)/P ersistencia
claridad.
/ •El método ANFIS presenta menor incertidumbre para el primer semidía
12 12
P predicho.
E
10 10
•Todos los métodos ensayados tienen menor incertidumbre en datos de la
R 8 8 estación de Murcia debido a que los días claros (con mayor frecuencia en esta
6
1 2 3 4 5 6
6
1 2 3 4 5 6
localidad) adquieren mayor peso en los parámetros de los modelos. La
Horizonte Predicción (Sem idías) Horizonte Predicción (Sem idías) autocorrelación parcial no ha influenciado en la mejora de los resultados.
División de Energías Renovables (Departamento de Energía), CIEMAT, Av. Complutense
nº22, Madrid, 28040, (Madrid) España, +34 913466048, luis.martin@ciemat.es