Un grupo científico dirigido por investigadores de la German Jordanian University ha analizado el efecto del llamado algoritmo de optimización de chimpancés (ChOA, por sus iniciales en inglés) en diferentes modelos de aprendizaje automático (ML) de predicción de producción fotovoltaica.
El ChOA se basa en el comportamiento cooperativo de caza de los chimpancés en la naturaleza, imitando la forma en que trabajan juntos para cazar a sus presas, habitual entre los pequeños mamíferos. Suelen actuar en grupo de tres o cuatro cazadores e inicialmente conducen y bloquean a la presa, para luego perseguirla y atacarla.
El algoritmo explora distintas combinaciones de parámetros para lograr el resultado más prometedor. Los científicos lo utilizaron para optimizar los hiperparámetros de cinco tipos de modelos ML. Entre ellos figuran la regresión lineal múltiple (MLR), la regresión en árbol de decisión (DTR), la regresión en bosque aleatorio (RFR), la regresión en vector de soporte (SVR) y el perceptrón multicapa (MLP).
«La eficacia de esta contribución se verifica en relación con los datos de un estudio de caso real, al tiempo que se recurre a diversas métricas de rendimiento procedentes de la literatura, incluidos el error cuadrático medio (RMSE), el error medio absoluto (MAE) y el coeficiente de determinación (R2)», explican los investigadores.
Los hiperparámetros son configuraciones externas establecidas antes de que comience el proceso de aprendizaje, que lo rigen y no cambian durante el entrenamiento. Los hiperparámetros -como la velocidad de aprendizaje en las redes neuronales- influyen en la dinámica del entrenamiento y pueden, por tanto, afectar significativamente a la eficacia de los modelos.
Los cinco modelos, con ChOA y sin él, se entrenaron con 948 registros y se probaron con 362 registros. Los registros se tomaron entre 2015 y 2018 de un sistema fotovoltaico de 264 Kw instalado en un tejado de la Universidad de Ciencias Aplicadas de Ammán, la capital de Jordania. El ángulo de inclinación de la instalación se fijó en 11 grados y el ángulo acimutal en -36 grados. En una estación meteorológica cercana se midieron variables meteorológicas como la velocidad del viento, la humedad relativa, la temperatura ambiente y la irradiación solar.
«Ammán (Jordania) experimenta un clima mediterráneo caracterizado por veranos calurosos y secos e inviernos frescos y húmedos», añaden los investigadores. «La temperatura media durante todo el año es de 17,63 ºC, y la irradiación horizontal global media anual es de 2040,2 kWh/m2».
A través de este análisis, los científicos descubrieron que todos los modelos experimentaron mejoras de rendimiento como resultado del ajuste fino de los hiperparámetros mediante el ChOA.
«El modelo DTR mostró mejoras sustanciales, con un RMSE de prueba que disminuyó a 1,972 y un R2 que aumentó a 0,951», explicaron. «El modelo RFR mostró mejoras notables, con valores de RMSE que disminuyeron a 1,773 para el entrenamiento y a 1,837 para las pruebas, y valores de R2 que aumentaron a 0,964 para el entrenamiento y a 0,963 para las pruebas. El modelo SVR experimentó la mejora más notable, con una reducción del RMSE de prueba a 0,818 y un aumento de R2 a 0,977».
Tras la optimización de ChOA, se descubrió que MLP mostraba los mejores resultados en la predicción de la producción de energía fotovoltaica. En concreto, fue capaz de alcanzar 0,503, 0,397 y 0,99 en RMSE, MAE y R2, respectivamente. «El ChOA ajustó eficazmente los parámetros, lo que mejoró el ajuste del modelo, redujo el sobreajuste y mejoró la generalización en comparación con otros dos algoritmos de optimización ampliamente utilizados en la literatura: la optimización por enjambre de partículas (PSO) y el algoritmo genético (GA)», concluyó el equipo.
Los resultados se presentaron en «Enhancing solar photovoltaic energy production prediction using diverse machine learning models tuned with the chimp optimization algorithm» (Mejora de la predicción de la producción de energía solar fotovoltaica mediante diversos modelos de aprendizaje automático ajustados con el algoritmo de optimización Chimp), publicado en Scientific Reports. El grupo estaba formado por académicos de la Universidad Germano-Jordana de Jordania, la Universidad de Jordania, la Universidad Aplicada de Al-Balqa y la Universidad Tuskegee de Alabama.
Este contenido está protegido por derechos de autor y no se puede reutilizar. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, contacte: editors@pv-magazine.com.
Al enviar este formulario, usted acepta que pv magazine utilice sus datos con el fin de publicar su comentario.
Sus datos personales solo se divulgarán o transmitirán a terceros para evitar el filtrado de spam o si es necesario para el mantenimiento técnico del sitio web. Cualquier otra transferencia a terceros no tendrá lugar a menos que esté justificada sobre la base de las regulaciones de protección de datos aplicables o si pv magazine está legalmente obligado a hacerlo.
Puede revocar este consentimiento en cualquier momento con efecto para el futuro, en cuyo caso sus datos personales se eliminarán inmediatamente. De lo contrario, sus datos serán eliminados cuando pv magazine haya procesado su solicitud o si se ha cumplido el propósito del almacenamiento de datos.
Puede encontrar más información sobre privacidad de datos en nuestra Política de protección de datos.