Forskningsstudie forbedrer solstrålingsprognoser med 30%

Forskere ved Universidad Carlos III de Madrid (UC3M) og Universidad de Jaen (UJA) har offentliggjort en undersøgelse, der rapporterer en optimal blanding af solstrålingsprognoser, som de er i stand til at reducere fejl i kortsigtede prognoser (6 timer) med 25 % og 30%.

Forskningsprojektet har fokuseret på at forbedre prognoser for kortvarig solstråling for Den Iberiske Halvø, på en minuts skala, en times skala og en dagskala. Specifikt, fem typer modeller blev analyseret:baseret på cloudkamre, målinger, satellitbilleder, vejrudsigter, og en hybrid af de to sidste. Til dette formål, forskerne valgte fire meteorologiske stationer som repræsentative områder for vurderingen i Sevilla, Lissabon, Madrid og Jaen.

I to år, begge forskningsgrupper har opdelt deres arbejde i to dele. På den ene side, gruppen Evolutionary Computation and Neural Networks (EVANNAI) på UC3M har fokuseret på at anvende kunstig intelligens teknikker til at vælge den bedste model eller kombination af modeller til hver meteorologisk situation, placering og tidshorisont, samt at opnå forudsigelsesintervaller for at estimere usikkerhed i prognoserne. På den anden side, Atmosphere and Solar Radiation Modeling (MATRAS) Group på UJA har fokuseret på design og forbedring af forskellige solstrålingsprognoser, som de har brugt forskellige metoder til, f.eks. satellitbilleder og meteorologiske modeller.

Det mest slående resultat opnået i denne forskning er, at den optimale modelleringskombination sænker prognosefejlen med omkring 30% med hensyn til de bedste modeller i hver tidshorisont. "Det er første gang, at fem uafhængige modeller er blevet sammenlignet, og takket være kunstig intelligens og matematisk behandling, vi har været i stand til at reducere fejlmarginen i hver prognosehorisont, hvilket repræsenterer en økonomisk besparelse, fordi det reducerer omkostningerne ved integration af solenergi, "forklarede projektkoordinator David Pozo, fuld professor i anvendt fysik ved UJA.

"Brug af kunstig intelligens og specifikt maskinindlæringsteknikker gør det muligt automatisk og effektivt at integrere prognoserne for forskellige modeller, med selve modellen, der giver den bedste prognose for hver tidshorisont. Desuden, anvendelsen af ​​evolutionære optimeringsteknikker gør det muligt at kvantificere usikkerhed for hver af prognoserne. Indarbejdelse af disse nye teknikker i sammenhæng med vedvarende energi har ført til vigtige forbedringer med hensyn til de indledende teknikker, "forklarede Inés M. Galván og Ricardo Aler, lektorer i datalogi og teknikafdeling.

Forskerne har bestemt tidspunktet for tidshorisonten, hvor hver model er mere pålidelig, som det sker, for eksempel, med brug af satellitbilleder i løbet af de første to eller tre timer eller brug af den numeriske vejrudsigtsmodel efter den fjerde eller femte time. Og blandt andet den har også konkluderet, at prognoser nær kystområder er vanskeligere, selv inden for en times margen.

En del af denne undersøgelse er blevet offentliggjort i to artikler i det videnskabelige tidsskrift Solenergi , og en anden del er i gennemgangsprocessen for andre tidsskrifter.