Onderzoekers van de Universidad Politécnica de Madrid en het Nicaraguan Institute of Territorial Studies hebben een techniek ontwikkeld om nauwkeurige voorspellingen te doen van de wereldwijde zonnestraling (GSI) op korte termijn met behulp van kunstmatige neurale netwerken (ANN).

De studie introduceert een nieuwe methodologie op basis van parallelle observaties door naburige sensoren en waarden voor meerdere variabelen (temperatuur, vochtigheid, druk, wind en andere schattingen). Er zijn experimenten uitgevoerd met behulp van kunstmatige neurale netwerken met verschillende architecturen en parameters om te bepalen welke van deze de beste voorspellingen genereerde voor de verschillende bestudeerde tijdframes.

Dankzij de resultaten konden onderzoekers modellen ontwikkelen die GSI op korte termijn voorspellen met foutenpercentages van minder dan 20 procent. Dit kan handig zijn voor bedrijven die zowel fotovoltaïsche zonne-energiecentrales als thermische zonnecentrales beheren om de productiecapaciteit van hun installaties in te schatten.

Een grote uitdaging van de moderne samenleving is het efficiënte gebruik van natuurlijke hulpbronnen en het minimaliseren van de impact op het milieu als gevolg van de toegenomen vraag naar en verbruik van energie. Dus, hernieuwbare energie, vooral zonne-energie, is een langetermijnoplossing geworden met een groter potentieel, minder impact.

Vooral, fotovoltaïsche zonne-energie kan worden aangesloten op transport- en distributienetwerken, maar het vereist dat vraag en aanbod van energie adequaat worden beheerd. Daarom, de voorspelling van GSI binnen enkele uren en met een minimaal foutenpercentage is nodig om de verwachte energieproductie in te schatten.

Er worden verschillende methoden gebruikt om de wereldwijde zonnestraling te schatten, waaronder numerieke voorspellingen op basis van locaties en tijd, aangevuld met diverse correctiemodellen, methoden op basis van satellietbeelden die de bewolking vastleggen en de verliezen inschatten in het ideale model. Andere modellen zijn gebaseerd op tijdreeksen of kunstmatige intelligentie. Elke methode heeft voor- en nadelen. Bijvoorbeeld, de op satellieten gebaseerde voorspelling is universeel gebleken omdat het schattingen geeft voor grote geografische gebieden. Echter, het hangt af van de beschikbaarheid van dergelijke afbeeldingen voor bepaalde regio's van de planeet en de voorbewerking van de afbeeldingen, onder andere.

In het geval van voorspellingen op basis van numerieke methoden, de dynamiek van de atmosfeer wordt op een realistische manier geschat door de assimilatie van gegevens. Echter, ze garanderen de algemene stabiliteit van de voorspelling van lokale meteorologische gebeurtenissen. Tot dusver, de methoden op basis van kunstmatige intelligentie gebruiken alleen de endogene invoervariabelen die horen bij de plaats van de voorspelling.

De studie uitgevoerd door UPM- en INETER-onderzoekers concentreerde zich op de hypothese dat het mogelijk was om de kortetermijnvoorspelling van de wereldwijde zonnestraling te verbeteren door modellen te genereren op basis van kunstmatige neurale netwerken met behulp van maximaal 900 inputs die de evolutie van variabelen in een nabijgelegen ruimtelijk-temporele context.

De onderzoeksresultaten tonen het vermogen van de ontwikkelde modellen op basis van kunstmatige neurale netwerken om zowel lineaire als niet-lineaire relaties tussen de variabelen te identificeren. De auteurs schrijven, "Dit heeft ons in staat gesteld om de wereldwijde zonnestraling op korte termijn te voorspellen met een significante voorspellingsvaardigheid en een genormaliseerde wortelgemiddelde kwadratische fout van minder dan 20 procent in vergelijking met de rest van modellen op basis van kunstmatige neurale netwerken. Bovendien, de ontwikkelde methoden hebben ons in staat gesteld om een ​​relatie tussen de voorspellingen te identificeren via een glijdend tijdvenster van één tot drie uur en vier tot zes uur met betrekking tot de referentieafstand van 55 km. Dit kan leiden tot een onderzoekslijn om verschillende referentieafstanden te gebruiken voor verschillende voorspellingsschuifvensters."

Deze resultaten hebben toepassingen voor bedrijven die zowel fotovoltaïsche zonne-energiecentrales als thermische zonne-energiecentrales beheren om de productiecapaciteit van hun installaties te schatten zoals de huidige wetgeving vereist, en de exploitanten van nationale elektrische systemen. Beide velden kunnen deze methoden gebruiken om hun doelen efficiënter te bereiken, het rendement op de investering maximaliseren en de curve van vraag en aanbod aanpassen.