Científicos iraquíes utilizan inteligencia artificial para predecir la producción de energía de paneles solares

Científicos iraquíes han utilizado el algoritmo de aprendizaje automático k-Nearest Neighbors (k-NN) para evaluar el estado operativo de los módulos fotovoltaicos (PV) y predecir su voltaje, corriente y producción de energía. Este estudio, llevado a cabo por investigadores de la Universidad de Tecnología de Irak, se basa en el principio de que las cosas similares existen en proximidad cercana.

El algoritmo k-NN predice la etiqueta de un nuevo punto de datos basándose en el voto mayoritario o promedio de sus ‘k’ vecinos más cercanos en el espacio de características. En tareas de clasificación, se utiliza para categorizar nuevas observaciones en clases predefinidas según la clase más común entre sus vecinos más cercanos.

Para llevar a cabo su investigación, los científicos entrenaron el algoritmo con un conjunto de datos generado a través del software Python y LTspice XVII. Utilizaron una técnica de modelado de módulo PV equivalente basada en 2 diodos, creando casi siete millones de casos que reflejan una amplia gama de condiciones. Estas incluyen niveles de irradiación solar, configuraciones de paneles PV, condiciones de fallo, condiciones de sombreado parcial y variaciones de temperatura.

La mitad del conjunto de datos se utilizó para el entrenamiento y la otra mitad para las pruebas. Para la clasificación, los investigadores utilizaron las métricas de precisión y F1. Para prever la producción de energía, emplearon dos métricas de análisis de regresión: el error cuadrático medio (RMSE) y el coeficiente de determinación (R2).

Los resultados mostraron una precisión de clasificación del 99.2% para la categorización principal, que disminuyó ligeramente al 98.9% al clasificar las subcategorías. El modelo k-NN también registró un puntaje RMSE de 0.036 para predecir el voltaje y un R2 de 1.00. En cuanto a la corriente, mostró un RMSE de 1.813 y un R2 de 0.878, mientras que, en términos de energía, el análisis muestra un RMSE de 0.371 y un R2 de 0.994.

A pesar de que la predicción de la corriente presentó algunos desafíos, el rendimiento general del modelo en la predicción de la producción de energía fue notablemente preciso. Esto valida aún más el potencial de las técnicas de aprendizaje automático para mejorar la eficiencia y fiabilidad de los sistemas de energía solar.

Estos hallazgos fueron presentados en el estudio «Evaluating electrical power yield of photovoltaic solar cells with k-Nearest neighbors: A machine learning statistical analysis approach», publicado en e-Prime – Advances in Electrical Engineering, Electronics and Energy.

Fuente: https://www.pv-magazine.com/2024/07/23/k-nearest-neighbors-algorithm-for-pv-power-forecasting/