Modelado de la generación fotovoltaica en una comunidad energética
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12268Palabras clave:
Modelado e integración de sistemas de energías renovables, Modelado de series temporales, Predicción, Aprendizaje automático, Optimización, ModeladoResumen
Una comunidad energética es una forma de organización colectiva entre la ciudadanía, las empresas y las administraciones locales que permite producir, gestionar y consumir energía de manera conjunta, con el objetivo de obtener beneficios ambientales, sociales y económicos. Este proyecto se centra en el desarrollo de modelos de optimización y predicción de la generación fotovoltaica dentro del marco de una comunidad energética. El estudio utiliza datos de generación fotovoltaica horarios recogidos entre enero de 2023 y diciembre de 2024, procedentes de dos instalaciones ubicadas en Vilassar de Mar (Maresme, Barcelona), así como con datos meteorológicos del mismo municipio. La investigación se estructura en dos líneas principales: (1) la identificación de la distribución estadística que mejor se ajusta a la producción fotovoltaica, y (2) el desarrollo de modelos predictivos basados en técnicas de aprendizaje automático, con el objetivo de estimar la generación futura a partir de predicciones meteorológicas.
Referencias
Abad-Alcaraz, V., et al., 2023. Desarrollo de modelos de predicción de radiación solar mediante técnicas de machine learning. XLIV Jornadas de Automática, 382-387. DOI: https://doi.org/10.17979/spudc.9788497498609.382
CAEN, s.f. [Website]. Catalan Institute of Energy. Available at: https://icaen.gencat.cat
Frank J. Massey Jr., 2012. The Kolmogorov-Smirnov Test for Goodness of Fit. Journal of the American Statistical Association, 68-18. DOI: https://doi.org/10.2307/2280095
Ge, Z., Sun, Z., 2007. Neural Network Theory and MATLAB R2007 Application; 108–122.
J. A. R. Huamani et al., 2023. Prediction of hourly solar radiation using an Artificial Neural Network model in a district of Peru. 18th Iberian Conference on Information Systems and Technologies (CISTI), 1-4. DOI: 10.23919/CISTI58278.2023.10211948
Kolmogorov, A.N., 1957. On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition. Dokl. Akad. Nauk. Russ. Acad. Sci. 1957, 114, 953–956.
Myung, I.J., 2003. Tutorial on maximum likelihood estimation. Journal of Mathematical Psychology 47, 90–100. DOI: https://doi.org/10.1016/S0022-2496(02)00028-7
Pasari, S. et al, 2020. Statistical Modeling of Solar Energy. In; K. S. Sangwan and C. Herrmann (Eds.), Sustainable Production, Life Cycle Engineering and Management, India, pp. 157-165.
Razavi, S. et al., 2012. Review of surrogate modeling in water resources. Water Resources Research, 48 (7). DOI: 10.1029/2011WR011527
Pedregosa, F. et al., 2011. Scikit-learn: Machine Learning in Python. The Journal of Machine Learning Research, Volume 12, pp 2825 – 2830.
Tieleman, T. and Hinton, G., 2012. Lecture 6.5 - RMSProp: Divide the gradient by a running average of its recent magnitude. Coursera: Neural Networks for Machine Learning.
Nair, V. and Hinton, G.E., 2010. Rectified linear units improve restricted Boltzmann machines. Proceedings of the 27th International Conference on Machine Learning (ICML), 807-814
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Berta Mitjavila, Miquel Oliver
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
