Nuevo modelo para la previsión solar diaria en zonas con datos limitados

Científicos de la Universidad Inha de Corea del Sur han desarrollado un novedoso modelo de irradiancia solar que supuestamente puede predecir datos durante todo un año con sólo dos semanas de período de aprendizaje.

El modelo se basa en un algoritmo de aprendizaje por refuerzo y se afirma que es especialmente adecuado con datos acumulados limitados.

“El aprendizaje por refuerzo es un algoritmo que maximiza las recompensas de forma independiente mediante prueba y error dentro de un entorno determinado”, explicaron los académicos. “Este es el primer intento de utilizar un aprendizaje reforzado para el modelo de predicción de la irradiancia solar”.

En el estudio “Solar irradiance prediction using reinforcement learning pre-trained with limited historical data” (Predicción de la irradiancia solar mediante aprendizaje reforzado pre-entrenado con datos históricos limitados), publicado en Energy Reports, los investigadores explicaron que los datos de aprendizaje se fijaron para las dos primeras semanas del año, mientras que el periodo de predicción se fijó para el resto del año.

Como aportes para esas dos semanas, los científicos utilizaron datos reales de Ciudad del Cabo, Sudáfrica, basados en cuatro métricas: cobertura del cielo, temperatura, humedad e irradiancia solar fuera de la atmósfera. Luego compararon el análisis realizado por el modelo con el de dos modelos de referencia basados en la memoria a corto plazo (LSTM), que es una especie de red neuronal recurrente capaz de aprender la dependencia del orden en problemas de predicción de secuencias.

“El modelo LSTM es un tipo de aprendizaje profundo de red neuronal recurrente (RNN)”, añadió el grupo de investigación. “Introduce un estado de celda de memoria en el RNN. El estado de la celda de memoria demuestra un rendimiento superior en la gestión de entradas de secuencia larga”.

En promedio mensual, los investigadores encontraron que el modelo propuesto tenía un error de predicción de 31,5 W/m2, lo que representaba una variación del 7% con respecto a los datos reales. En comparación, los dos modelos LSTM utilizados en el experimento mostraron un error promedio de 57,4 W/m2 o 12,8% y de 40,5 W/m2 o 9,2%, respectivamente.

Además, los investigadores comprobaron que, con el modelo propuesto, aproximadamente el 82,8% de los puntos se distribuyeron dentro del 10% de los errores superior e inferior de los resultados reales. Con los dos modelos LSTM, estos valores disminuyeron al 71,9% y 78,8%, respectivamente.

“El modelo propuesto mostró un rendimiento más optimizado con sólo dos semanas de datos de aprendizaje en comparación con estudios anteriores que normalmente requerían varios años de datos meteorológicos para el aprendizaje”, concluyeron los investigadores. “En particular, el rendimiento a largo plazo del modelo mejoró aprendiendo la irradiancia solar fuera de la atmósfera como dato de entrada”.