Onderzoekers van de Universidad Carlos III de Madrid (UC3M) en de Universidad de Jaen (UJA) hebben een studie gepubliceerd waarin melding wordt gemaakt van een optimale vermenging van modellen voor het voorspellen van zonnestraling waarmee ze fouten in kortetermijnvoorspellingen (6 uur) met 25 kunnen verminderen. % en 30%.

Het onderzoeksproject was gericht op het verbeteren van de voorspelling van zonnestraling op korte termijn voor het Iberisch schiereiland, op een minuutschaal, een uurschaal en een dagschaal. specifiek, vijf soorten modellen werden geanalyseerd:op basis van wolkenkamers, afmetingen, satellietbeelden, weersvoorspellingen, en een hybride van de laatste twee. Voor dit doeleinde, de onderzoekers selecteerden vier meteorologische stations als representatieve gebieden voor de beoordeling in Sevilla, Lissabon, Madrid en Jaén.

Twee jaar lang, beide onderzoeksgroepen hebben hun werk in twee delen opgedeeld. Aan de ene kant, de Evolutionary Computation and Neural Networks (EVANNAI) Group bij UC3M heeft zich gericht op het toepassen van kunstmatige-intelligentietechnieken om het beste model of de beste combinatie van modellen voor elke meteorologische situatie te selecteren, locatie en tijdshorizon, evenals het verkrijgen van voorspellingsintervallen om de onzekerheid in de voorspellingen te schatten. Anderzijds, de Atmosphere and Solar Radiation Modeling (MATRAS) Group bij UJA heeft zich gericht op het ontwerp en de verbetering van verschillende methoden voor het voorspellen van zonnestraling, waarvoor ze verschillende methoden hebben gebruikt, zoals wolkenkamers, satellietbeelden en meteorologische modellen.

Het meest opvallende resultaat van dit onderzoek is dat de optimale modelleringscombinatie de voorspellingsfout met ongeveer 30% verlaagt ten opzichte van de beste modellen in elke tijdshorizon. "Dit is de eerste keer dat vijf onafhankelijke modellen zijn vergeleken, en dankzij kunstmatige intelligentie en wiskundige verwerking, we hebben de foutenmarge in elke prognosehorizon kunnen verkleinen, wat een economische besparing betekent omdat het de kosten van de integratie van zonne-energie verlaagt, " legt projectcoördinator David Pozo uit, hoogleraar toegepaste natuurkunde aan de UJA.

"Het gebruik van kunstmatige intelligentie en met name machine learning-technieken maken het mogelijk om de voorspellingen van verschillende modellen automatisch en efficiënt te integreren, waarbij het model zelf de beste voorspelling voor elke tijdshorizon geeft. Verder, het gebruik van evolutionaire optimalisatietechnieken maakt het mogelijk om de onzekerheid voor elk van de voorspellingen te kwantificeren. De integratie van deze nieuwe technieken in de context van hernieuwbare energiebronnen heeft geleid tot belangrijke verbeteringen ten opzichte van de oorspronkelijke technieken, " legden Inés M. Galván en Ricardo Aler uit, universitair hoofddocent bij de afdeling Computer Science and Engineering.

De onderzoekers hebben bepaald op welk moment van de tijdshorizon elk model betrouwbaarder is, zoals gebeurt, bijvoorbeeld, met het gebruik van satellietbeelden gedurende de eerste twee of drie uur of het gebruik van het numerieke weersvoorspellingsmodel na het vierde of vijfde uur. En onder andere het heeft ook geconcludeerd dat voorspellingen in de buurt van kustgebieden zelfs binnen de marge van een uur moeilijker zijn.

Een deel van deze studie is gepubliceerd in twee artikelen in het wetenschappelijke tijdschrift Zonne energie , en een ander deel zit in het reviewproces voor andere tijdschriften.