phd thesis presentation - vladimir gutierrez - spain 2014december

Predicción espacio-temporal de la irradiancia solar global a corto plazo en España mediante geoestadística y redes neuronales artificiales

19 de Diciembre de 2014Madrid, España

Tesis DoctoralFederico Vladimir Gutiérrez Corea

Directores:Prof. Dr. Miguel Ángel Manso Callejo

Prof. Dr. Francisco Serradilla García

ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN

EVALUACIÓN DE LA DISPONIBILIDAD DE DATOS METEOROLÓGICOS EN TIEMPO CUASI-REAL EN ESPAÑA

ESTIMACIÓN ESPACIAL DE LA IS

PREDICCIÓN ESPACIO-TEMPORAL DE LA IS

CONCLUSIONES

2

3

4

5

6

2

1

CURRICULUM VITAE

3

1

2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

Corp. Terán

Tesis

INTUR

Consultorías en Desarrollo de Software (algunas):

Ingeniero en Computación DEA

CURRICULUM VITAE

4

1

Gutiérrez-Corea, F.V.; Manso-Callejo, M.A. and Vázquez-Hoehne, A. (2013). Assessment of the Availability of Near-Real Time Open Weather Data Providedby Networks of Surface Stations in Spain. Earth Science Informatics 6(3): Science Citation Index (SCI).

Gutiérrez-Corea, F.V.; Callejo-Callejo, M.A.; Moreno-Regidor, M.P. and Velasco-Gómez, J. (2014). Spatial Estimation of Sub-Hour Global Horizontal IrradianceBased on Official Observations and Remote Sensors. Sensors 14(4): Science Citation Index (SCI).

Forecasting of Short-Term Solar Irradiance Based on Artificial Neural Networks and Data from Neighbouring Meteorological Stations. Solar Energy (2015): Science Citation Index (SCI).

Publicaciones (periodo de Tesis):

Artículos en revistas indexadas por la ISI Web of Science:

Próximo (2015): en revista indexada por la ISI Web of Science:

CURRICULUM VITAE

5

1

Gutiérrez-Corea, F.V.; Malinowski, E. and Rodríguez, A. (2012). Lenguajes Geoespaciales en Fundamentos de las Infraestructuras de Datos Espaciales (IDE). UPM-PRESS, Serie Científica UPM.

Moreno, F.J.; Gutiérrez-Corea, F.V.; Manso-Callejo M.A. (2012). Using 3D GeoDesignfor Planning of new Electricity Networks in Spain in Computational Science and ItsApplications (ICCAS 2012). Lecture Notes in Computer Science (LNCS): ISI Web of Science - Conference Proceedings Citation Index- Science (CPCI-S)].

Capítulos de libros:

Otros: + 4 Artículos no indexados y/o congresos. + 1 Poster.

Publicaciones (previo al periodo de Tesis - antes de 2012:

Lang, D.H. and Gutiérrez-Corea F.V. (2010). RISe: Illustrating geo-referenced data of seismicrisk and loss assessment studies using Google Earth.Earthquake Spectra 26(1): Science Citation Index (SCI).

Otros: + 6 Artículos no indexados y/o congresos. + 1 Poster.

ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN2

6

1

INTRODUCCIÓN

…demanda energética mundial…. con el 1% de la superficie total del planeta (PV)(Moebius 2006).

7

2

Objetivos del consumo de RER a medio-largo plazo (algunas economías).

8

INTRODUCCIÓN2

9

(1) Irradiancia Solar Extraterrestre Normal(ISEN) “efecto de traslación”

(2) Irradiancia Solar Extraterrestre Horizontal(ISEH) “efecto de rotación”

Irradiancia Solar (IS) extraterrestres: (deterministica)

Energía Solar -> Irradiancia Solar (IS)2

Irradiancia Solar (IS) en la superficie: (estocástica)

Importancia del conocimiento de los valores de la Irradiancia Solar (IS):

- Cálculo procesos: - Ecológicos.- Industriales

( p. ej: Sistemas de Energía Solar (ES))- En la etapa de desarrollo.- En la etapa de y explotación.

Los datos (IS) no siempre están disponibles en los sitios de interés y en TR.

Motivación: La importancia del conocimiento y de la predicción de la Irradiación Solar en cualquier lugar:

1- Evaluar la disponibilidad de estaciones automáticas..2- Investigar la estimación espacial de la IS.3- Experimentar el modelado de la predicción temporal a corto plazo de la IS.

10

Motivación y Objetivo2

Objetivo: investigar la predicción espacial a corto plazo de la Irradiancia Solar a partir de observaciones y auxiliado por imágenes de satélite, y temporal mediante el uso de RNA.

ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN


2

3

11

1

Preguntas de investigación asociadas:

1) ¿Existen Estaciones Meteorológicas (EM) que ofrecen datos de forma abierta en el territorio Español en más de una red de estaciones?

2) ¿Cómo están geográficamente distribuidas estas EM en España?

… creación Y validación de modelos (entre otras aplicaciones) requieren datos que capturen de la forma más fiel posible la realidad a trabajar.

… se sabe que los mejores valores de la IS son Ios observados por estaciones en la superficie:

12

Valores de Irradiancia Solar (IS): 3

Mundo: 1:500

1- Descubrimiento de las Redes de Estaciones Meteorológicas (REM).

2- Georreferenciación de las estaciones y creación de una Base de Datos Geoespacial.

3- Caracterización de las estaciones que conforman las redes.(formatos de datos, protocolos de accesos, intervalos y latencias de entrega, …)

4- Acopio periódico en TR de las observaciones para 3 REM (AEMet, JCYL y Meteoclimatic)

5- Análisis de redundancia y distribución espacial de las estaciones.

13

Metodologia: Evaluación disponibilidad datos meteorológicos TR en España3

14

Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR

Distribución espacial de las EM identificadas: 3908 estaciones

3

GUB (16) REMV (8)área de influencia mayor al de región

3:- AEMet (760)- DGT (216)- EBRO (28)

5:- AWEKAS (336)- CWOP (112)- Meteoclimatic (1344)- WeatherLink (103)- WUNDER (304)

área de influencia menor o equivalente al de región.

13: - ARAGÓN (48)- CASTILLA LA MANCHA (12)- CATALUÑA (168)- C. E. Ambientales del Mediterráneo(45)- MADRID (24)- VALENCIA (52)- EUSKADI(63)- GALICIA (85)- LA RIOJA (16)- CASTILLA Y LEÓN (51)- MURCIA (44)- NAVARRA (19)

3:-MeteoComillasa (5)- MeteoSal (8)- UNIMURCIA (1)

15

Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR

Según GUB/REMV y área de influencia : (24 REM)

3

4 características: (a) Periodicidad de observación, (b) latencia de entrega, (c) formato de datos, y (d) protocolo de acceso

Tres marcos temporales para las distintas REM (UTC, Local, meridiano de cada estación)

16

Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR3

-Temperatura Ambiente (Todas las estaciones de todas las redes) - Humedad Relativa- Presión.- Precipitación.- Dirección del viento.- Velocidad de viento.- Visibilidad.- Irradiancia Solar:

AEMet CASTILLA Y LEÓN Meteoclimatic

Irradiancia Solar 25 (3 %) 51 (100 %) 229 (17 %)[# Obs. X Día] > 48 25 (3 %) - - 198 (15 %)

24 < [# Obs. X Día] <= 48 - - 51 (100 %) 12 (~1 %)

[# Obs. X Día] <= 24 - - - - 9 (~1 %)

17

Variables meteorológicas:


18

Redundancia:

Tamaño Buffer / Tipo estación

1 estaciónesen buffer

2 estacionesen buffer





Estimaciones(peor caso)

100 m (GUB) 1’645 20 0 0 0 0 1’655150 m (GUB) 1’632 32 3 0 0 0 1’649

200 m (GUB) 1’628 34 3 0 0 0 1’646

250 m (GUB) 1’620 42 3 0 0 0 1’642

100 m (REMV)

1’418 490 237 80 15 0 1’765

150 m (REMV) 1’384 504 243 96 15 0 1’744

200 m (REMV) 1’346 514 258 104 20 0 1’719

250 m (REMV) 1’322 524 270 104 20 6 1’704

(479 posibles EM registradas en más de una red).


Malla de 3786 celdas con dimensiones de 11.15 km de alto por 13.20 km de ancho 19

lagunaridad


1) ¿Existen Estaciones Meteorológicas (EM) que ofrecen datos de forma abierta en el territorio Español en más de una red de estaciones?

R: Con la creación del inventario ha quedado demostrada la existencia de múltiples redes y con el análisis de áreas de influencia la duplicidad de estaciones (479).

2) ¿Cómo están geográficamente distribuidas estas EM en España?

R: El análisis de lagunaridad realizado ha demostrado que hay un 60.72 %del territorio sin ningún tipo de EM. Además se identificó que sólo el 19.65 % de las celdas contienen estaciones oficiales, el 8.42 % sólo de voluntarios y el 11 % ambos tipos.

20

Revisión de las preguntas de investigación3

ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN



2

3

4

21

1


3) ¿Es posible interpolar determinística o geoestadísticamente la IS en el territorio nacional a intervalos de 15 minutos más allá de los 25 km con errores inferiores al 25 %?

4) ¿Están las observaciones de la IS de las EM de la red Meteoclimatic(voluntarios) dentro del margen de error del modelo de referencia, para poder considerarlas válidas?

- Inverso de la Distancia Ponderada (IDW) (determinístico)- Kriging Ordinario (OK) (geoestadístico)- Kriging con Regresión (RK) (geoestadístico que usa variables aux.)- HelioSat-2 (basado en imágenes de satélite): Base de Datos HelioClim-3

22

Estimación Espacial de la IS4

Trabajos relacionados

* Benchmarking propuesto por la Agencia Internacional de Energía- Umbrales (0.1; 10; 50 y 200) w/m^2 para el calculo de errores . -Este ya ha sido aplicado a HelioSat-2 ( %RMSE: 22.9 %, 22 %, 20.4 % 16.3 % )

•(Perez et al. 1997) y (Zelenka et al. 1999):- 34 km => Perez et al. 1997- 25 km => Zelenka et al. 1999

SUPERIOR al 25% de %RMSE:... por lo tanto (sugieren) que despues de dicha distancias es mejor el uso de estimaciones de la IS desde imagenes de satelite.

Patrones de comparación

23

Metodología: Estimación espacial de la IS (15 minutos)4

… para RK1 … para RK2 y comparación

24

Grupo III: AEMet

Grupo V: CYL + 9 AEMet

6- Agrupación de las observaciones.

:GrupoIV (CYL)

:GrupoVI (10 Aemet)

Grupo I: Todas

: GrupoII (AEMet + 4 JCYL )


7- Estimación espacial de la IS a intervalos de 15 minutos.

25

HS2

IDW

OK

RK1

RK2

1 2 3 4 5 6


Classification

I II III IV V VIEstadis-

tico

1º RK2 23.75 RK2 27.09 SAT 26.93 RK2 21.77 RK2 23.07 SAT 23.12

%RMSE2º SAT 29.09 SAT 27.49 RK2 28.02 RK1 25.25 RK1 28.59 RK2 29.82

3º RK1 30.59 RK1 39.28 IDW 39.86 OK 25.41 IDW 28.86 IDW 34.16

4º IDW 30.79 IDW 39.50 RK1 41.17 IDW 25.86 OK 28.92 OK 36.75

5º OK 31.61 OK 40.56 OK 43.22 SAT 28.95 SAT 29.94 RK1 37.91

26

Sin

um

bral

izar

Resultados y Discusión: Estimación espacial de la IS (15 minutos)4

Puntuación de los métodos de estimación

Umbral %RMSE

(%)

Std-dev RMSEp

(%)

RMSE (w/m^2)

0.1 22.46 2.87 68.95

10 21.03 2.75 68.97

50 17.51 2.45 72.86

200 11.26 1.35 75.21

Del benchmarking a HelioSat2:- (22.9, 20.2, 20.04, 16.3) %- (69, 72, 77, 83) w/m2

27

RK2 en la forma de agrupación IV (CYL):

69

7277

83

22.920.2

20.04

16.3

Fortaleza del método cuando se discriminan valores de IS bajos.


28

30

20

10 80

Relación del %RMSE contra la distancia a interpolar

PérezZelenka PérezZelenka

30

20

RK2 en la forma de agrupación IV (CYL):

umbral 200 w/ m^2 Sin umbral


Umbral %RMSE

(%)

Std-dev RMSEp

(%)

RMSE (w/m2)

0.1 24.69 4.26 71.2310 22.90 3.83 70.4950 18.95 3.22 68.95200 12.29 2.01 63.39

29

RK2 en la forma de agrupación V (CYL + 9 AEMet):

Del benchmarking a HelioSat2:- (22.9, 20.2, 20.04, 16.3) %- (69, 72, 77, 83) w/m2

69727783

22.920.2

20.0416.3

Fortaleza del método cuando se discriminan valores de IS bajos.


30

20 100

20

18

12

30

25

15

20 100

RK2 en la forma de agrupación V (CYL + 9 AEMet):

10

Relación del %RMSE contra la distancia a interpolar

umbral 200 w/ m^2 umbral 50 w/ m^2


3) ¿Es posible interpolar determinística o geoestadísticamente la IS en el territorio nacional a intervalos de 15 minutos más allá de los 25 km con errores inferiores al 25 %?

R: La interpolación geoestadística apoyada con estimaciones de la IS a partir de satélite presenta menor error cuando las estaciones tienen una adecuada distribución y densidad.

4) ¿Están las observaciones de la IS de las EM de la red Meteoclimatic(voluntarios) dentro del margen de error del modelo de referencia, para poder considerarlas válidas?

R: Las estimaciones en las ubicaciones de las estaciones de Meteoclimatic , permitieron identificar que el 67 % de estas presentan valores con una desviación inferior al +/- 2 d cuando la IS > 200 w/m^2.

31


ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN




2

3

4

5

32

1


5) ¿Se mejora el error de la predicción temporal de la IS a corto plazo en base a RNA con la inclusión de la mayor cantidad de datos de entradas en los modelos?

6) ¿Cómo se relacionan el horizonte espacial y temporal en la predicción de la IS a corto plazo con las RNA?

33

PREDICCIÓN ESPACIO-TEMPORAL DE LA IS A CORTO PLAZO5

34

Trabajos relacionados5

RNA utilizadas… predicción de IS en distintos horizontes temporales y en distintos lugares:

-España (Linares-Rodríguez et al. 2011; Bosch et al. 2008; Hontoria et al. 2002).

- Italia (Mellit and Pavan 2010).

- Francia - Isla de Corsica (Voyant et al. 2014; Voyant et al. 2011; Paoli et al. 2010).

-Turquía (Koca et al. 2011).

-Arabia Saudita (Mohandes et al. 1998). - China (Wang et al. 2012). - India (Yadav and Chandel 2012).

- Argelia (Mellit et al. 2006). - Uganda (Mubiru and Banda 2008; Mubiru 2008)…

- entre otros (Mellit et al. 2008; Mellit and Kalogirou 2008).

Trabajos relacionados (predicción de la IS: horizontes a corto plazo)

35

Trabajos relacionados5

Arquitectura RNA: Perceptrón Multicapa (Multi Layer Perceptron, MLP)

Variables desde cada estación:

(observadas)(1) Irradiancia Solar Global (ISG)(2) Temperatura Ambiente (TA)(3) Humedad Relativa del Aire (HRA)(4) Dirección del Viento (DV)(5) Velocidad del Viento (VV)

(calculadas)(6) IS Extraterrestre Horizontal (ISEH)(7) Índice de Claridad Instantáneo (KTi)(8) Distancia al Medio Día Solar (DMDS)(9) el Ángulo Cenit (AC)

36

Caso de estudio5

37

6 RNA - T:(Históricos)

RNA_T1RNA_T2RNA_T3RNA_T4RNA_T5RNA_T6

Metodología: Predicción espacio-temporal de la IS5

1- Técnica de ventana deslizante

Variables en instantes previos

como entradas RNA

38

6 RNA - ST: (Vecinos + Históricos)

2- Ventana deslizante + componente espacial (hasta 55 km)

RNA_ST1RNA_ST2RNA_ST3

RNA_ST4RNA_ST5RNA_ST6


3- Preparación de los datos (transponer y concatenar las observaciones)

39

9 variables x 10 estaciones x 10 instantes previos = 900 entradas


4- Normalización y selección de datos de entrenamiento y de test.70% y 30%

5- Parámetros de entrenamiento de las RNA:

(i) número de capas ocultas(ii) cantidad de neuronas en cada capa(iii) ratio de aprendizaje(iv) cantidad de veces que se entregan todos los ejemplos a la

RNA para su entrenamiento (Epochs).(v) intervalo de normalización de los datos [0, 1]

40


RNA_ST

RNA_T

41

Resultados y discusión5

Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto.)

… para horizontes temporales muy cortos (15 minutos)

- Perceptor simple: problema de aproximación lineal.- Sin embargo con MLR, no hubiese sido posible (correlación entradas)

RNA_ST

RNA_T

42

… para horizonte temporal de 1 hora


Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto)

- Sigue existiendo una fuerte componente de aproximación lineal

43

… para horizonte temporal de 2 horas o más


Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto)

Para RNA_ST (estaciones vecinas):- MLP con 2 capas ocultas- entre 50-300 neuronas en la primera capa.- aprox. 25 neuronas en la segunda capa.

Para RNA_T (históricos: del mismo punto):MLP de una capa oculta con entre 10-50 neuronas en dicha capa.

Configuración RNA definitiva:Más experimentos de optimización permitieron identificar:

Para RNA_ST (estaciones vecinas):-MLP con 100 neuronas en la primera capa oculta- 10 neuronas en la segunda.

Para RNA_T (históricos: del mismo punto):- MLP con una capa oculta con 30 neuronas.

44

Configuraciones aprox. de las RNA


(1-3) H.

(4-6) H.

-Voyant et al. (2013): 27.8%

- Paoli et al. (2010): ~20%

-Wang et al. (2012): 63.47 W/m^2

-Mellit and Pavan. (2012): 62.5 %

45

PREDICCIÓN ESPACIO-TEMPORAL DE LA IS5

Resultados y discusión

Resultados Finales: 12 RNA para las predicciones de la IS a corto plazo

6 RNA_ST

6 RNA_T

5) ¿Se mejora el error de la predicción temporal de la IS a corto plazo en base a RNA con la inclusión de la mayor cantidad de datos de entradas en los modelos?

R: La inclusión de 9 variables de entradas para cada instante de tiempo previo y para cada estación vecina permite predecir la IS a corto plazocon niveles de error inferiores al de los trabajos relacionados.

6) ¿Cómo se relacionan el horizonte espacial y temporal en la predicción de la IS a corto plazo con las RNA?

R: Se identificó que las predicciones en un horizonte de hasta 3 horas mejoran si se incluyen las observaciones de estaciones vecinas (< 55 km), si bien en horizontes de 4 a 6 horas ese límite no mejora la predicción.

46


CONCLUSIONES

ContribucionesRevisión de las preguntas de investigación e hipótesisTrabajos Futuros

6

47

ÍNDICE

CURRICULUM VITAE

INTRODUCCIÓN




2

3

4

5

1

• La inclusión de un elevado numero de entradas a la RNA permiten predecir con distintos horizontes temporales (de 1 a 6 horas) la IS con errores inferiores a los identificados en los trabajos relacionados.

• Trabajar con tantas dimensiones ha supuesto un reto en la elaboración de los juegos de datos de entrenamiento y validación, así como en el entrenamiento de las RNA.

• Para predicciones de entre 1 y 3 horas el mejor modelo de RNA para el caso de estudio, es el que incluye las observaciones de las EM vecinascon distancias < 55 km, pudiéndose interpretar como la transferenciadel efecto meteorológico de las estaciones vecinas sobre la estación objeto de predicción.

48

CONCLUSIONES6

Conclusiones respecto a la predicción a corto plazo de la IS:

• El mejor método de estimación espacial en intervalos de 15 minutosdepende de la densidad y distribución de estaciones.

• Cuando el área de interés está debidamente cubierta por sensores, el es el mejor método de estimación es el Kriging con Regresión (RK2) soportado por las variables auxiliares (estimación de la IS desdeimágenes de satélite y la latitud).

• El método RK2 permite interpolar la IS a distancias (> 25 km - probado hasta 108 km), sin superar el 25 % del RMSE (limite identificado en los trabajos relacionados Zelenka et. al).

49

CONCLUSIONES6

Conclusiones respecto a la estimación espacial de la IS

• Como desventaja el método RK2 precisa disponer de valores de IS derivadas desde imágenes de satélite.

• Con baja densidad de estaciones el mejor método es la estimación de la IS desde imágenes de satélite (en consonancia con lo expuesto en la literatura).

• Al aplicar sobre las 206 estaciones de voluntarios la interpolación de RK2 y el Helio-Sat se ha identificado que un 67 % (138) de ellas están dentro del margen de error, pudiendo ser de utilidad para estimaciones más groseras.

50

CONCLUSIONES6

Conclusiones respecto a la estimación espacial de la IS

• Las 24 REM (16 GUB + 8 REMV) que acumulan 3429 EM (1858 GUB + 2558 REMV) a fecha de noviembre de 2012, es un inventario ampliopero sin garantía de ser exhaustivo.

• Las REMV aportan un número significativo de estaciones que publican sus observaciones en tiempo real.

• La caracterización de las redes y sus estaciones ha puesto de manifiesto la heterogeneidad de las mismas.

• Se han detectado 479 (12.25 %) posibles estaciones redundantes, que suponen tanto un inconveniente (descartar duplicados al integrar) como una ventaja al disponer de redundancia de fuentes de datos ante fallos de red.

• Es más sencillo identificar redundancia de EM en las redes Voluntariosque en las gubernamentales.

51

CONCLUSIONES6

Conclusiones respecto a la disponibilidad de datos meteorológicos en tiempo real

• El 60.72 % de las celdas están vacías (lagunaridad) y hay mayor densidadde EM en las grandes ciudades / áreas urbanas.

• Las EM de las redes de Voluntarios aportan un 8.42 % en la densificación espacial en el territorio nacional.

• En cuanto a la disponibilidad de datos en tiempo real el 11.01 % de las celdas del territorio Nacional disponen de estaciones que publican datos de este modo.

52

CONCLUSIONES6

Conclusiones respecto a la disponibilidad de datos meteorológicos en tiempo real

53

CONCLUSIONES6

Aportaciones originales

• Se aporta una metodología para estimar espacialmente la IS basada en la geoestadística que combina las observaciones realizadas por las EM ylas estimaciones a partir de satélites, permitiendo alcanzar mejoresniveles de error que los indicados por los trabajos previos.

• Se aportan distintos modelos de la predicción espacio-temporal de la ISa corto plazo mediante RNA que incluyen como variables de entradas, además de la ventana temporal, observaciones de estaciones vecinas, mejorando los niveles de error identificados en trabajos relacionados.

• La aplicación secuencial de extrapolación temporal e interpolaciónespacial permitiría generar superficies de IS (mapas) en intervalos de 15 minutos con el propósito de estimar el potencial de producción de energía solar en lugares donde no hay observaciones.

54

CONCLUSIONES6

Aportaciones originales

• Un inventario caracterizado de 24 REM en España. Útil para desarrollarun sistema que recolecte, integre y publique los datos de una forma estandarizada (Linked data, SWE).

• El conocimiento de la distribución espacial de las 24 REM, será útil para planificar nuevas instalaciones de EM por parte tanto de organismos oficiales como de voluntarios.

• Se ha realizado una primera aproximación a la validación de las REMVcon sensores de IS, como una opción para ayudar a densificar la disponibilidad geográfica de esta variable frente a las EM GUB.

Hipótesis: En base a la respuesta a las preguntas de investigación se ha confirmado la doble hipótesis plantada.

- Se ha demostrado que el uso de valores de la IS, derivados a partir de imágenes de satélite, como variable auxiliar en los métodos de estimación espacial permite generar mejores predicciones.

-T También se ha demostrado que es posible mejorar la predicción a corto plazo de la IS con modelos basados en RNA mediante el uso de un grannúmero variables de entrada y la inclusión de la componente espacial.

55

CONCLUSIONES6

Revisión de las preguntas de investigación e hipótesis

• Investigar la influencia de las distancias máximas de las estaciones a incluir como entradas en los modelos de RNA en la predicción la IS para distintos horizontes temporales.

• Investigar nuevos modelos de RNA capaces de predecir la IS en cualquier punto, analizando las formas de agrupar las entradas de las estaciones vecinas (p. ej: por cuadrantes).

• Investigar la relevancia de las los valores de las distintas variables de entrada en distintos instantes de tiempo.

• Investigar métodos de validación de las REMV, considerando otros factores que pueden influenciar las interpolaciones (p. ej: al amanecer, al anochecer y obstáculos).

• Investigar distintos métodos para regenerar series de observacionescuando se interrumpe el acceso a los datos o se pierden observaciones (p. ej. el algoritmo de preservación de la media).

56

CONCLUSIONES6

Trabajos futuros

Gracias

Vladimir Gutiérrez19 de Diciembre de 2014

57

phd thesis presentation - vladimir gutierrez - spain 2014december

Technology

isi web of science

science citation index

irradiancia solar global

deterministicaenerga

solar energy

science cpci

and gutirrez

earth science informatics