Tres novedosas arquitecturas de redes neuronales artificiales basadas en redes convolucionales para el procesamiento espacio-temporal de datos de predicción solar
Artículo escrito por los profesores de la Escuela Miguel-Ángel Manso-Callejo y Calimanut-Ionut Cira y el doctorando Llinet Benavides Cesar,
04.11.2024
En este trabajo, se proponen tres nuevos modelos de redes neuronales convolucionales: las versiones 1 y 2 de la red neuronal convolucional espacio-temporal (ST_CNN_v1 y ST_CNN_v2) y la red neuronal convolucional dilatada espacio-temporal (ST_Dilated_CNN). Estos modelos están diseñados para la predicción solar y el procesamiento de datos de irradiancia horizontal global (GHI) enriquecidos con variables meteorológicas y astronómicas.
Un análisis comparativo de los modelos propuestos con dos modelos de referencia tradicionales muestra que el modelo ST_Dilated_CNN supera al resto en la captura de dependencias a largo plazo, alcanzando un error absoluto medio de 31,12 W/m2, un error cuadrático medio de 54,07 W/m2 y una habilidad de predicción del 37,21%.
El análisis estadístico realizado en el conjunto de prueba sugirió diferencias altamente significativas en el rendimiento (valores p inferiores a 0,001 para todas las métricas en todos los escenarios considerados), siendo el modelo ST_CNN_v2 el que presentó la menor variabilidad en el rendimiento. Las pruebas estadísticas aplicadas confirmaron la robustez y fiabilidad de los modelos propuestos bajo diferentes condiciones.
Además, este trabajo destaca la significativa influencia de las variables astronómicas en el rendimiento de la predicción. El estudio también resalta la intrincada relación entre los modelos propuestos y las características de entrada meteorológicas y astronómicas, proporcionando importantes conocimientos sobre el campo de la predicción solar y reafirmando la necesidad de seguir investigando los factores de variabilidad que afectan el rendimiento de los modelos.
Lee el Artículo completo: https://www.mdpi.com/2875666