Análisis de importancia de características basado en correlación para mejorar las predicciones de estabilidad de aprendizaje automático en sistemas fotovoltaicos híbridos | JoVE Visualize

Área de la Ciencia:

Ingeniería Eléctrica
Ciencias de la Computación
Ciencia de Datos

Sus antecedentes:

La predicción precisa del voltaje y la estabilidad de la red es crucial para los sistemas de energía modernos, especialmente con la creciente integración de energías renovables.
Los modelos de aprendizaje automático existentes requieren una evaluación rigurosa para predecir el rendimiento en sistemas fotovoltaicos (PV) híbridos conectados a la red.

Objetivo del estudio:

Evaluar rigurosamente cinco modelos de aprendizaje automático (Random Forest, Extra Trees, Support Vector Regression, Cat Boost y Gradient Boosting) por su rendimiento predictivo en sistemas fotovoltaicos (PV) híbridos conectados a la red.
Identificar el modelo más preciso y robusto tanto para la predicción del voltaje de la red como de la estabilidad.

Principales métodos:

Se utilizó un marco multimetría que incluye R², MAE, RMSE y MAPE para la evaluación.
Se emplearon diagnósticos visuales avanzados como distribuciones de errores y análisis de tendencias temporales.
Se generó un conjunto de datos controlado en MATLAB/Simulink para capturar regímenes de operación híbridos de PV no lineales.
Se aplicó ingeniería de características ponderada por correlación para mejorar la interpretabilidad del modelo.

Principales resultados:

Gradient Boosting (GB) emergió como el modelo con el mejor rendimiento, demostrando una precisión y solidez superiores.
Para la predicción del voltaje de la red, GB logró un R² = 0.9785 y el MAPE más bajo = 0.25%.
Para la predicción de la puntuación de estabilidad, GB logró un R² = 0.9300 y el MAE más bajo = 0.75, superando a todos los demás modelos.

Conclusiones:

Gradient Boosting es una solución altamente precisa y robusta para la predicción de redes inteligentes, que ofrece información útil para la monitorización y el control en tiempo real.
El rendimiento equilibrado de GB en condiciones estáticas y dinámicas lo hace adecuado para la gestión resiliente de la red en entornos ricos en energías renovables.
El estudio proporciona una evaluación comparativa unificada de modelos de ML, identificando a GB como el predictor más confiable para la predicción de voltaje y estabilidad.