Innovador modelo de inteligencia artificial inspirado en escarabajos peloteros revoluciona la predicción de energía solar

Investigadores de la Universidad de Tecnología de Hubei, en China, han desarrollado un innovador modelo de aprendizaje profundo para predecir la generación de energía fotovoltaica (PV) a muy corto plazo. Este nuevo enfoque combina varias técnicas avanzadas, como redes neuronales convolucionales con atención automática (SATCN), redes neuronales de memoria a largo y corto plazo bidireccionales (BiLSTM), y un algoritmo de optimización inspirado en el comportamiento de los escarabajos peloteros, conocido como Dung Beetle Optimization (DBO). El modelo resultante ha sido denominado DBO-SATCN-BiLSTM.

El equipo de investigación señala que los métodos actuales para predecir la generación de energía fotovoltaica presentan diversas limitaciones. Las técnicas de aprendizaje metaheurístico, como las redes neuronales, suelen ser complejas y requieren mucho tiempo para entrenarse, además de depender de ajustes empíricos de parámetros que no siempre garantizan los mejores resultados. Aunque los algoritmos de inteligencia de enjambre han mostrado potencial para mejorar estos parámetros, muchos de ellos tienden a quedarse atrapados en soluciones subóptimas. Para superar estos desafíos, los científicos propusieron el modelo DBO-SATCN-BiLSTM.

El componente SATCN del modelo está diseñado para analizar datos de series temporales, lo que ayuda a mitigar problemas comunes como la desaparición o explosión del gradiente. Además, la capa BiLSTM permite capturar las características de cambio tanto hacia adelante como hacia atrás en los datos secuenciales. Por su parte, el algoritmo DBO se encarga de optimizar los hiperparámetros del modelo híbrido, imitando el comportamiento de los escarabajos peloteros, que utilizan el sol y la luna para navegar mientras transportan bolas de estiércol a sus nidos. De manera similar, el algoritmo busca soluciones óptimas basándose en una «guía externa».

El modelo propuesto incluye una capa de entrada, tres capas de bloques residuales SATCN, dos capas BiLSTM y una capa completamente conectada. La estructura SATCN permite extraer características temporales de los datos de generación de energía fotovoltaica, mientras que la BiLSTM captura la correlación temporal entre las características hacia adelante y hacia atrás.

Para probar la eficacia del modelo, los investigadores utilizaron datos de un año completo de una planta fotovoltaica de 30 MW ubicada en la provincia de Shaanxi, China. Los datos incluían parámetros como temperatura, humedad, presión barométrica y radiación solar, registrados cada 15 minutos. El modelo debía predecir la generación de energía en el siguiente intervalo de 15 minutos, así como realizar predicciones a más largo plazo, de hasta 45 minutos (tres pasos en el futuro).

Los resultados obtenidos fueron comparados con siete modelos de referencia: redes neuronales convolucionales (CNN), BiLSTM por sí sola, redes neuronales convolucionales temporales (TCN), y varios modelos híbridos como CNN-BiLSTM, TCN-BiLSTM, SATCN-BiLSTM optimizado con el algoritmo de enjambre de partículas (PSO-SATCN-BiLSTM) y SATCN-BiLSTM optimizado con el algoritmo de enjambre de salpas (SSA-SATCN-BiLSTM).

En la predicción de un solo paso, el modelo DBO-SATCN-BiLSTM logró un error cuadrático medio (RMSE) de 0.357, lo que representa una mejora significativa del 33.1%, 23.4% y 18.1% en comparación con los modelos CNN, TCN y BiLSTM, respectivamente. Además, superó a los modelos híbridos CNN-BiLSTM, TCN-BiLSTM, PSO-SATCN-BiLSTM y SSA-SATCN-BiLSTM con márgenes de mejora de 17.5%, 10%, 2.9% y 2.4%.

En cuanto a la predicción a tres pasos (45 minutos), el modelo también mostró un rendimiento superior, con un RMSE de 0.437, mejorando entre un 4.7% y un 52.3% en comparación con los otros siete modelos evaluados.

Los detalles completos de este trabajo fueron publicados en la revista *iScience* bajo el título «Dung beetle optimization algorithm-based hybrid deep learning model for ultra-short-term PV power prediction».

Fuente: https://www.pv-magazine.com/2024/10/30/ultra-short-term-pv-power-forecast-based-on-dung-beetle-algorithm/