Análisis comparativo de las arquitecturas de aprendizaje profundo en la predicción de la energía solar

Área de la Ciencia:

• Sistemas de energía renovable
• Inteligencia artificial en la energía
• Pronóstico de las series temporales

Sus antecedentes:

• La previsión precisa de la energía solar es crucial para integrar la energía renovable en las redes eléctricas.
• Los métodos de pronóstico existentes se enfrentan a desafíos de fiabilidad y precisión, especialmente con patrones temporales complejos.
• El aprendizaje profundo (DL) ofrece soluciones potenciales para mejorar la predicción de la energía solar.

Objetivo del estudio:

• Realizar un análisis comparativo de ocho arquitecturas de aprendizaje profundo de última generación para la predicción de la energía solar.
• Evaluar el rendimiento de los modelos DL utilizando las métricas estadísticas clave (RMSE, MAE, MAPE, R2).
• Identificar los modelos de DL más eficaces y proporcionar un marco para los sistemas de energía del mundo real.

Principales métodos:

• Utilizó un conjunto de datos de 4.200 registros históricos de energía solar con 20 características meteorológicas y astronómicas.
• Se compararon ocho arquitecturas DL: Autoencoder, LSTM, GRU, SimpleRNN, CNN, TCN, Transformer e InformerLite.
• Evaluación del rendimiento del modelo en los conjuntos de datos de formación, validación y ensayo utilizando las métricas RMSE, MAE, MAPE y R2.

Principales resultados:

• La Red de Convolución Temporal (TCN) demostró un rendimiento superior, logrando un R2 de prueba de 0,7786 y una desviación estándar relativa equilibrada de 0,6827.
• El modelo de Autoencoder exhibió el mayor rendimiento general en todo el conjunto de datos, con un R2 total de 0,8437.
• El modelo de transformador mostró un rendimiento significativamente peor (prueba R2 = 0,0714), lo que indica limitaciones sin modificaciones.

Conclusiones:

• El TCN y el Autoencoder se identifican como los modelos de aprendizaje profundo más efectivos para la previsión de la energía solar basada en métricas estadísticas.
• El estudio proporciona un marco de previsión escalable, interpretable y extensible para las aplicaciones de redes inteligentes.
• Los hallazgos apoyan la integración informada de DL para mejorar la gestión de la energía renovable y el futuro modelado híbrido.