Algoritmo inspirado en chimpancés revoluciona la predicción de energía solar con modelos de aprendizaje automático

Un equipo de investigadores, liderado por científicos de la Universidad Alemana-Jordana, ha logrado optimizar modelos de predicción de rendimiento de energía fotovoltaica (PV) utilizando un algoritmo inspirado en el comportamiento de caza cooperativa de los chimpancés. Este algoritmo, denominado Chimp Optimization Algorithm (ChOA), imita la forma en que estos primates trabajan en conjunto para capturar presas, lo que ha permitido mejorar significativamente la precisión de los modelos de predicción.

El ChOA fue empleado para ajustar los hiperparámetros de cinco modelos de aprendizaje automático (ML) utilizados en la predicción de la producción de energía solar. Los modelos optimizados incluyen regresión lineal múltiple (MLR), regresión de árboles de decisión (DTR), regresión de bosques aleatorios (RFR), regresión de soporte vectorial (SVR) y perceptrón multicapa (MLP). Los hiperparámetros son configuraciones externas que se establecen antes de que comience el proceso de aprendizaje y que influyen directamente en la eficacia de los modelos.

El estudio se basó en datos reales recogidos entre 2015 y 2018 de un sistema fotovoltaico de 264 kW instalado en la Universidad de Ciencias Aplicadas en Amán, Jordania. Este sistema, con un ángulo de inclinación de 11 grados y un ángulo de acimut de -36 grados, estuvo expuesto a un clima mediterráneo, caracterizado por veranos calurosos y secos e inviernos frescos y húmedos. Los datos meteorológicos, como la velocidad del viento, la humedad relativa, la temperatura ambiente y la irradiación solar, fueron registrados desde una estación meteorológica cercana.

Los resultados del estudio mostraron mejoras notables en todos los modelos tras la optimización con el ChOA. Por ejemplo, el modelo DTR experimentó una reducción en el error cuadrático medio (RMSE) a 1.972 y un aumento en el coeficiente de determinación (R2) a 0.951. El modelo RFR también mostró mejoras significativas, con un RMSE de 1.837 en las pruebas y un R2 de 0.963. Sin embargo, el modelo SVR fue el que más se benefició de la optimización, con un RMSE de 0.818 y un R2 de 0.977.

El mejor rendimiento lo obtuvo el modelo MLP, que alcanzó un RMSE de 0.503, un error absoluto medio (MAE) de 0.397 y un R2 de 0.99, lo que lo convierte en el más preciso para predecir el rendimiento de la energía fotovoltaica. Los investigadores destacaron que el ChOA superó a otros algoritmos de optimización populares, como el Particle Swarm Optimization (PSO) y el algoritmo genético (GA), en términos de ajuste de parámetros, reducción del sobreajuste y mejora de la generalización del modelo.

El estudio, titulado «Enhancing solar photovoltaic energy production prediction using diverse machine learning models tuned with the chimp optimization algorithm», fue publicado en la revista *Scientific Reports* y contó con la participación de académicos de la Universidad Alemana-Jordana, la Universidad de Jordania, la Universidad Aplicada Al-Balqa y la Universidad de Tuskegee en Alabama, Estados Unidos.

Este avance representa un paso importante en la mejora de la precisión de los modelos de predicción de energía solar, lo que podría tener un impacto significativo en la planificación y gestión de proyectos de energía renovable.

Fuente: https://www.pv-magazine.com/2024/09/11/mimicking-chimpanzees-hunting-behavior-to-improve-pv-prediction-models/