Visión por ordenador para las previsiones solares

Los científicos deben dedicar más esfuerzos y recursos al desarrollo de modelos de previsión con aprendizaje profundo que tengan en cuenta la morfología de los paneles fotovoltaicos, según afirma en un nuevo trabajo un grupo de académicos liderado por la Universidad de Cambridge.

Su trabajo consiste en una revisión exhaustiva de los avances logrados en el campo de la previsión solar basada en la visión por ordenador con aprendizaje profundo. La visión por ordenador es una rama especial de la inteligencia artificial que ayuda a los ordenadores a interpretar y comprender el mundo utilizando imágenes digitales procedentes de cámaras y vídeos. Los modelos y herramientas de aprendizaje profundo utilizados con este enfoque son capaces de identificar y clasificar objetos.

“Integrar la configuración espacial de los paneles solares y los efectos locales de sombra causados por la vegetación, los edificios o las variaciones del terreno puede mejorar la precisión de las previsiones solares”, explican los investigadores. “Esta información podría inferirse a partir de mediciones de irradiancia, detección de objetos a partir de imágenes del cielo u observaciones de teledetección de alta resolución, datos LiDAR y otras mediciones cartográficas 3D in situ”.

Otra forma de mejorar los modelos de predicción solar de aprendizaje profundo recomendada por el artículo es la introducción de las leyes de la física. Esto podría ayudar con las predicciones de las líneas de corriente, que son trayectorias que las nubes flotantes trazan en la atmósfera.

“Los métodos de aprendizaje automático basados en visión por ordenador son capaces de visualizar las líneas de corriente en imágenes de satélite e imágenes del cielo terrestre, pero de una manera subóptima”, señalan los investigadores. “En este contexto, un método de aprendizaje profundo informado por la física tiene el potencial de visualizar de manera óptima las líneas de campo de la mecánica de fluidos”.

El documento también sugiere que las limitadas habilidades de generalización de los modelos actuales de aprendizaje profundo son una fuerte limitación para su implementación generalizada. Sin embargo, los académicos dijeron que esto podría resolverse mediante la construcción de modelos en muchos conjuntos de datos de código abierto en todo el mundo.

El grupo de investigación anima a que los trabajos futuros utilicen un conjunto de datos de referencia estándar, ya que eso ayudará a comparar diferentes modelos.

“Aunque hay estudios de evaluación comparativa de ciertos tipos de modelos de pronóstico solar basados en un solo conjunto de datos, actualmente hay estudios muy limitados de comparación cruzada de diferentes tipos de modelos de pronóstico solar, es decir, modelos basados en el aprendizaje profundo, modelos basados en el aprendizaje automático, modelos de series de tiempo y modelos deterministas físicos en conjuntos de datos estandarizados”, dijeron.

Los investigadores presentaron sus resultados en “Advances in solar forecasting: Computer vision with deep learning” (Avances en predicción solar: Visión por ordenador con aprendizaje profundo), publicado recientemente en Advances in Applied Energy. El grupo está formado por científicos de la Agencia Espacial Europea, ENGIE Lab, la Universidad de California en Santa Bárbara, la Universidad de Stanford, el Laboratorio Nacional de Idaho, Open Climate Fix, el Laboratorio Nacional de Energías Renovables de EE.UU. (NREL), Réseau de Transport d’Électricité, el Consejo Mundial de Energía y Meteorología y el University College de Dublín.

El grupo de investigación concluye pidiendo una mejor coordinación entre los desarrolladores de previsiones comerciales y los operadores de red.

“Se trata de un obstáculo importante que, sin embargo, puede superarse esforzándose por comprender las necesidades y procesos del usuario (es decir, los operadores de red), por un lado, y desarrollando los productos con los usuarios, por otro”, afirman. “Además, es posible que los operadores de redes tengan que mejorar sus conocimientos mediante una formación específica que les permita comprender y utilizar los recientes modelos de previsión basados en visión por ordenador”.