![\"energia-solar\"](\"https:\/\/www.eldigitaldeasturias.com\/noticias\/wp-content\/uploads\/2016\/12\/energia-solar-360x241.jpg\")
El grupo de Grupo de Investigaci\u00f3n y Aplicaciones de Inteligencia Artificial de la Universidad de M\u00e1laga ha desarrollado un modelo m\u00e1s preciso para predecir la cantidad de energ\u00eda que recibir\u00e1n las centrales fotovoltaicas, lo que permite conocer la electricidad que producir\u00e1n. El m\u00e9todo se basa en inteligencia artificial y reduce en un 25% el error de los actuales sistemas, basados en variables meteorol\u00f3gicas.<\/p>\n
Hasta el momento, la radiaci\u00f3n solar que llegar\u00e1 a la tierra se estima con im\u00e1genes de sat\u00e9lite y con distintos tipos de modelos f\u00edsicos de la atm\u00f3sfera, que tienen en cuenta par\u00e1metros como el nivel de nubosidad, la humedad o la inclinaci\u00f3n del terreno. Una vez obtenida la informaci\u00f3n, se extrapola a otras situaciones similares, pero con un margen de error que puede llegar al 35%. Esto supone un problema para el sector el\u00e9ctrico, ya que las empresas est\u00e1n obligadas a informar sobre la cantidad exacta de energ\u00eda que producir\u00e1n en sus instalaciones con una antelaci\u00f3n de un d\u00eda.<\/p>\n
El nuevo modelo m\u00e1s preciso est\u00e1 basado en inteligencia artificial y m\u00e9todos estad\u00edsticos<\/p><\/blockquote>\n
En este contexto los expertos de la Universidad de M\u00e1laga han desarrollado un nuevo modelo m\u00e1s preciso basado en inteligencia artificial y m\u00e9todos estad\u00edsticos. Para su funcionamiento, la herramienta tiene en cuenta los par\u00e1metros meteorol\u00f3gicos de m\u00faltiples ubicaciones. A esta ventaja se suma que \u2018aprende\u2019 conforme va procesando los datos, lo que disminuye el margen de error.<\/p>\n
En concreto, en el art\u00edculo publicado en la revista Solar Energy, los expertos demuestran que con este nuevo sistema matem\u00e1tico, se reduce a un 10% el error en los resultados obtenidos para un determinado tipo de d\u00edas, lo que supone una reducci\u00f3n relativa del error del 25% respecto a m\u00e9todos f\u00edsicos tradicionales.<\/p>\n
En este trabajo, los investigadores han utilizado adem\u00e1s las predicciones que se realizan desde distintos servicios ya existentes. Han mejorado la informaci\u00f3n que se obtiene al ofrecer datos de manera individual para cada zona geogr\u00e1fica, en tiempos concretos y, por tanto, con mejor fiabilidad en los resultados.<\/p>\n
Los estudios comenzaron en M\u00e1laga, utilizando los registros extra\u00eddos de la Agencia Estatal de Meteorolog\u00eda y otras estaciones integradas en el Subsistema de Informaci\u00f3n de Climatolog\u00eda Ambiental (CLIMA). Poco a poco han ido sumando distintas localidades, confirmando que el sistema realiza un ajuste de los pron\u00f3sticos de manera individualizada seg\u00fan el lugar, analizando mayor volumen de datos y ofreciendo una desviaci\u00f3n de entre el 10 y el 20%.<\/p>\n
Herramienta para el sector<\/strong><\/p>\n
Seg\u00fan la legislaci\u00f3n vigente, Red El\u00e9ctrica Espa\u00f1ola calcula la desviaci\u00f3n hora a hora y d\u00eda a d\u00eda entre las previsiones y el rendimiento real. El productor deber\u00e1 pagar una penalizaci\u00f3n por todos esos desv\u00edos acumulados, ya sean por exceso o por defecto. Por tanto, uno de los objetivos que persiguen las el\u00e9ctricas actualmente es la obtenci\u00f3n de un sistema que minimice las diferencias en sus predicciones y poder conseguir una mayor rentabilidad en su producci\u00f3n, sin costes a\u00f1adidos.<\/p>\n
\u201cA trav\u00e9s de esta herramienta, de uso libre y disponible en un breve plazo de tiempo en la web del grupo, los productores de energ\u00eda podr\u00e1n predecir de una manera m\u00e1s eficiente la cantidad de energ\u00eda generada en sus instalaciones, lo que les evitar\u00e1 sanciones por las desviaciones que actualmente sufren\u201d, indica Llanos Mora, investigadora de la Universidad de M\u00e1laga y coautora del art\u00edculo.<\/p>\n
Este sistema se retroalimenta de cada nueva circunstancia que se va introduciendo en cualquier momento<\/p><\/blockquote>\n
El sistema se retroalimenta de cada nueva circunstancia que se introduzca en alg\u00fan momento determinado. Esto implica que \u2018aprende\u2019 de las operaciones anteriores y modifica sus algoritmos de predicci\u00f3n con la nueva informaci\u00f3n aportada a sus bases de datos.<\/p>\n
El proceso que utilizan para su estudio se basa en la utilizaci\u00f3n de t\u00e9cnicas de miner\u00eda de datos, que permiten trabajar con un gran volumen de informaci\u00f3n y generar patrones y algoritmos desconocidos anteriormente de manera autom\u00e1tica. Es decir, no es necesaria una referencia de la realidad, ya que el propio sistema crea todas las posibilidades que pueden sucederse, \u2018auto-aliment\u00e1ndose\u2019 cada vez que se introduce un nuevo dato y recalculando nuevas probabilidades. Esto permite el an\u00e1lisis simult\u00e1neo de grupos de registros complejos, anticipar cualquier anomal\u00eda que pueda darse o calcular las dependencias que se creen entre diversas variables.<\/p>\n
A medida que se vayan sumando a la herramienta nuevas localizaciones, el sistema volver\u00e1 a programar de manera aut\u00f3noma los pron\u00f3sticos, por lo que el error ir\u00e1 disminuyendo seg\u00fan aumenta la informaci\u00f3n contenida. \u201cEl resultado es reflejo de la importancia de la miner\u00eda de datos, la inteligencia artificial y el aprendizaje computacional aplicado a todos los aspectos de nuestra vida cotidiana. En este trabajo se suman y se benefician todas estas \u00e1reas, adem\u00e1s de la meteorolog\u00eda y la energ\u00eda, de manera simult\u00e1nea\u201d, concluye la investigadora.<\/p>\n
El estudio ha sido financiado por la Consejer\u00eda de Econom\u00eda y Conocimiento de la Junta de Andaluc\u00eda a trav\u00e9s de los proyectos Integraci\u00f3n de modelos de aprendizaje autom\u00e1tico y tecnolog\u00edas OPC para la evaluaci\u00f3n y predicci\u00f3n de la producci\u00f3n de sistemas fotovoltaicos y Modelos para la evaluaci\u00f3n de la influencia de la distribuci\u00f3n espectral y de la temperatura en el rendimiento de m\u00f3dulos fotovoltaicos.<\/p>\n
SINC<\/p>\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
El grupo de Grupo de Investigaci\u00f3n y Aplicaciones de Inteligencia Artificial de la Universidad de M\u00e1laga ha desarrollado un modelo m\u00e1s preciso para predecir la cantidad de energ\u00eda que recibir\u00e1n las centrales fotovoltaicas, lo que permite conocer la electricidad que producir\u00e1n. El m\u00e9todo se basa en inteligencia artificial y reduce en un 25% el error […]<\/p>\n","protected":false},"author":1,"featured_media":919593,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-919592","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-actualidad"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t