Las redes neuronales mejoran las previsiones sobre energía solar

Share

Si alguna vez te has preguntado por qué Google Translate se ha vuelto mucho mejor en la traducción en los últimos años, la respuesta es debido a las redes neuronales artificiales.

Desde noviembre de 2016, la herramienta de traducción en línea de la empresa utiliza un sistema de traducción automática nueronal (NMT). Se basa en la traducción automática basada en ejemplos, lo que ayuda al sistema a aprender de millones de ejemplos en su base de datos. El sistema también permite ahora la traducción directa de un idioma a otro, mientras que las versiones anteriores de Google Translate necesitaban traducir primero el texto al inglés antes poder traducirlo a otro idioma.

En general, las redes neuronales artificiales han proporcionado mejoras tangibles y han supuesto un salto tecnológico significativo. Las redes neuronales artificiales son una tecnología de aprendizaje artificial que funciona de manera similar a como lo hace el cerebro humano.

Esta tecnología también tiene muchas aplicaciones potenciales en el campo de la inteligencia artificial y, dado que la IA se utiliza ahora ampliamente para la gestión y el análisis de la energía, también es ideal para el negocio de la energía solar. Investigadores de la Universidad de Sydney en Australia y de la Universidad Pablo de Olavide en España, por ejemplo, han propuesto un nuevo enfoque para el pronóstico de la energía solar que combina por primera vez redes neuronales y secuencias de patrones.

La novedad de este nuevo estudio es añadir los poderosos efectos de las redes neuronales artificiales a los de las secuencias de patrones. En matemáticas, las secuencias de patrones se utilizan comúnmente para predecir lo que sucede antes o después de un conjunto de números dispuestos en un orden particular, y ya se han utilizado en la previsión de la generación de energía fotovoltaica. El enfoque, descrito en el documento Pattern Sequence Neural Network for Solar Power Forecasting, se basa en la idea de que es posible construir un modelo de predicción separado para cada tipo de secuencia de patrones.

La Red Neural de Secuencia de Patrones (PSNN) propuesta por los científicos fue comparada con la Previsión basada en Secuencias de Patrones (PSF), que es un método de predicción que combina la agrupación y la coincidencia de secuencias que también se basa en la secuenciación de patrones, pero que no funciona con redes neuronales. Según los científicos, el PSNN combina la eficiente extracción de secuencias de patrones y el emparejamiento de similitud de los algoritmos de PSF con las ventajas de las redes neuronales para modelar relaciones complejas y no lineales.

“PSNN es un enfoque general que se puede usar con diferentes algoritmos de agrupamiento y extracción de secuencias de clústeres, y se puede aplicar a múltiples secuencias de tiempo relacionadas”, explicaron los investigadores.

El rendimiento del enfoque se probó en un conjunto de datos australianos que incluía información de la previsión solar fotovoltaica y meteorológica durante un período de dos años. Los datos fotovoltaicos fueron recogidos de un conjunto de tejados de la Universidad de Queensland, en Brisbane.

“Los datos fotovoltaicos brutos se midieron cada minuto y se agregaron a intervalos de 30 minutos tomando el valor promedio del intervalo”, dijo el grupo de investigación.

El PSNN, que puede aplicarse a múltiples series de tiempo complementarias, funciona tomando una secuencia de etiquetas de conglomerados y extrayendo diferentes secuencias de patrones para construir un modelo de predicción de NN separado para cada uno de ellos. Las pruebas han demostrado que todos los modelos PSNN superan a sus correspondientes modelos PSF en la previsión de la energía solar.

“Todas las versiones de PSNN superaron a los métodos de PSF, y las diferencias fueron estadísticamente significativas”, señalaron los investigadores.

El equipo de investigación ahora planea determinar si los modelos de predicción estacional pueden mejorar la precisión de este enfoque, o si estos métodos pueden ser aplicados a otras tareas de predicción.