Evaluación de técnicas de aprendizaje profundo para el pronóstico de generación eléctrica en corto plazo de un sistema fotovoltaico de 16 kW

Memoria para optar al título de Ingeniero Civil MecánicoEl acelerado y súbito crecimiento que ha experimentado la tecnología solar fotovoltaica (PV) en el último tiempo en Chile, supone un desafío a futuro para los agentes del sector eléctrico encargados de la coordinación y distribución de la electricidad en el sistema interconectado. Dada la directa dependencia que este tipo de tecnología posee respecto a las condiciones climáticas y meteorológicas que influyen sobre la irradiación incidente en la superficie, significa que una parte importante de la generación en el país estará sujeta a fluctuaciones irregulares que dependerán principalmente de la disponibilidad variable del Sol en las distintas zonas de la región. Por tanto, el desarrollo de modelos que permitan pronosticar confiablemente la generación energética de una planta solar PV en el corto plazo será de suma relevancia, en los próximos años, para lograr mantener una operación balanceada e integral del sistema interconectado. Así, el objetivo en este trabajo de título consiste en el desarrollo, mediante técnicas de aprendizaje profundo, de modelos de pronóstico de generación energética, en corto plazo, del sistema fotovoltaico situado en el complejo de Beauchef 851 de la Facultad de Ciencias Físicas y Matemáticas. Para cumplir lo anterior, tres arquitecturas de redes neuronales: LSTM, JANet y JANet-ConvJANet, son evaluadas con respecto a su capacidad de pronóstico de la potencia fotovoltaica. En particular, se realiza una evaluación de desempeño de los modelos desarrollados frente a disintos contextos meteorológicos. Por otro lado, con el fin de contar con una base de referencia, una serie de métodos estocásticos (Persitencia, AR y KNN) son empleados para comparar los resultados de los modelos. Por último, se estudian las distribuciones del error de pronóstico obtenidas para cada modelo y se analiza su correlación con la varibalidad atmosférica. De los resultados, se obtiene que las tres arquitecturas desarrolladas presentan desempeños considerablemente superiores a los obtenidos con métodos estocásticos de pronóstico. En particular, la arquitectura JANet-ConvJANet es la que presenta la mayor capacidad de pronóstico en todos los contextos meteorológicos analizados, alcanzando errores RMSE hasta un 9% menor respecto a los modelos LSTM y JANet. Así, se verifica la capacidad de la estructura ConvJANet de interpretar secuencias de imágenes satelitales para un mejor ajuste de las estimaciones de potencia eléctrica generada