19th International Symposium of Electrical Engineering
SIE 2021
Abstract
Currently, solar energy is widely used worldwide, due to its wide availability and its notable advantages. However, this energy source exhibits a dynamic behavior that depends on meteorological conditions and is sometimes difficult to predict. Due to this, it has been necessary to develop different methods for predicting the energy generated in photovoltaic plants. The present work is focused on analyzing photovoltaic generation prediction methods that use artificial intelligence techniques with deep learning, specifically recurrent neural networks of the type LSTM (Long Short-Term Memory). To carry out the study, a database obtained from the photovoltaic plant of the UCLV is used. Initially, the correlation between the different variables with respect to the active power generated is analyzed, later the LSTM model is implemented to make the prediction. The results obtained show that the predictions made for short-term time horizons and for days with different behavior are adequate, which shows the effectiveness of this prediction method
Resumen
En la actualidad la energía solar posee una amplia utilización a nivel mundial, debido a su amplia disponibilidad y a sus notables ventajas. No obstante, esta fuente de energía presenta un comportamiento dinámico que depende de las condiciones meteorológicas y que en ocasiones resulta difícil de prever. Debido a esto ha sido necesario desarrollar diferentes métodos para la predicción de la energía que se genera en las plantas fotovoltaicas. El presente trabajo está enfocado en analizar los métodos de predicción de generación fotovoltaica que utilizan técnicas de inteligencia artificial con aprendizaje profundo, específicamente redes neuronales recurrentes del tipo LSTM (siglas en inglés de Long Short-Term Memory). Para realizar el estudio se utiliza una base de datos obtenida de la planta fotovoltaica de la UCLV. Inicialmente se analiza la correlación entre las diferentes variables con respecto a la potencia activa generada, posteriormente se implementa el modelo LSTM para realizar la predicción. Los resultados obtenidos muestran que las predicciones realizadas para horizontes de tiempo de corto plazo y para días con distinto comportamiento son adecuadas, lo que demuestra la efectividad de este método de predicción.
About The Speaker
Dr. Lesyani Leon Viltres
En blanco