Executive Secretary
21st International Symposium on Electrical Engineering
SIE 2025
Abstract
The geographic, technical, and climatic heterogeneity of Cuban photovoltaic parks compromises predictive accuracy and operational management, affecting their integration into the national electricity system. This study evaluates clustering strategies to optimize forecasts, comparing three methods: power clustering (useful in logistics), regional climate clustering (west, center, east), and statistical clustering using K-means (technical degradation) and hierarchical clustering (predictive errors). The results demonstrate that the hybrid climatic-statistical approach maximizes predictive accuracy: technical clustering identified accelerated degradation caused by dust, optimizing cleaning frequencies; error clustering corrected systematic underestimations during high cloud cover using adapted local models. This synergy generated significant reductions in maintenance costs (adaptive cleaning) and forecast errors by addressing specific causalities: dust accumulation distorts generation, while cloud microvariations require statistical adjustments. It is concluded that integrating climate regionalization with statistical clustering is optimal for Cuba, allowing: 1) to adjust predictive models using homogeneous cluster patterns (not national averages); 2) to prioritize maintenance based on actual risks (dust/salinity); and 3) to support decisions on a unified technical-meteorological data system for dynamic cluster updating.
Resumen
La heterogeneidad geográfica, técnica y climática de los parques fotovoltaicos cubanos compromete la precisión predictiva y gestión operativa, afectando su integración al sistema eléctrico nacional. Este estudio evalúa estrategias de agrupamiento para optimizar pronósticos, comparando tres métodos: agrupamiento por potencia (útil en logística), agrupamiento climático regional (occidente, centro, oriente), y agrupamiento estadístico mediante K-means (degradación técnica) y agrupamiento jerárquico (errores predictivos). Los resultados demuestran que el enfoque híbrido climático-estadístico maximiza la precisión predictiva: el agrupamiento técnico identificó degradación acelerada por polvo, optimizando frecuencias de limpieza; el agrupamiento por errores corrigió subestimaciones sistemáticas durante alta nubosidad mediante modelos locales adaptados. Esta sinergia generó reducciones significativas en costos de mantenimiento (limpieza adaptativa) y errores de pronóstico, al abordar causalidades específicas: la acumulación de polvo distorsiona la generación, mientras las microvariaciones nubosas exigen ajustes estadísticos. Se concluye que integrar regionalización climática con agrupamiento estadístico es óptimo para Cuba, permitiendo: 1) ajustar modelos predictivos usando patrones de grupos homogéneos (no promedios nacionales); 2) priorizar mantenimiento según riesgos reales (polvo/salinidad); y 3) sustentar decisiones en un sistema unificado de datos técnico-meteorológicos para actualización dinámica de clústeres.
About The Speaker
Ing. Elisabet Guedes Albolay
Discussion