PFC Alejandro Rodriguez Delgado

Universidad Carlos III de Madrid Departamento de Ingenier de Sistemas y a Automatica
Ingenier Industrial a
Parametrizacion de una red neuronal para la mejora de la prediccion de la Irradiancia Directa Normal
Proyecto de fin de carrera
Autor: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska
2011
T ITULO: Parametrizacin de una red neuronal para la mejora de la prediccin de la o o Irradiancia Directa Normal AUTOR: Alejandro Rodr guez Delgado DIRECTOR: Piotr Jurewicz Slupska
EL TRIBUNAL
Presidente:
Vocal:
Secretario:
de de Realizado el acto de defensa y lectura del Proyecto Fin de Carrera el d a 20 en Legans, en la Escuela Politcnica Superior de la Universidad Carlos III deMae e drid, acuerda otorgarle la CALIFICACION de
VOCAL
SECRETARIO
PRESIDENTE
Al esfuerzo realizado
Agradecimientos
En primer lugar me gustar agradecerle la ayuda y atencin prestada a mi tutor a o de proyecto, Piotr. Su constante inters en la evolucin de mi trabajo ha sido fuente de e o motivacin para m en toda la elaboracin de este documento. o o A Jaime, por la oportunidad de realizar este proyecto, y su ayuda permanente en el trabajo durante el ultimo ao. n Al equipo de Sun to Market Solutions, porque su compaerismo y amistad han sido n fundamentales para m durante mi estancia all Sobre todo a Hctor, por su inconmen . e surable apoyo en todo momento, tanto bueno como no tanto. A Susana, Vela, Leti, Jacobo, Deni, Reyes, Elena, Prez, Trejo y Pablo por su ayuda e y amistad en la universidad a lo largo de los aos. n A El as, Oscar, Jorge, Mario, Csar, Carlos, Javi y Almu por los buenos ratos pae sados y por aguantarme. A toda mi familia por su apoyo ilimitado; a mis primas Blanca y Marian y mi t a Charo por el cario que siempre me han mostrado. n A mi hermana Lorena por servirme de chispa muchas veces en mi vida. Y especialmente a mis padres por haberme brindado esta oportunidad y porque sin ellos no habr sido posible llegar aqu a .
iii
Resumen
Este documento trata sobre la parametrizacin de una red neuronal para la mejora de o un modelo de prediccin meteorolgica, en concreto de la variable con mayor relevancia o o dentro del sector industrial de la tecnolog termosolar: la Irradiancia Directa Normal a (DNI ). El objetivo del proyecto es disminuir el error cometido en dicha prediccin. Para o ello se ha efectuado una simulacin de las variables meteorolgicas para una regin dada o o o (Madrid) para los aos 2008 y 2009. Con dichas variables se han obtenido los valores n de DNI correspondientes mediante un modelo f sico (MRM ) implementado en Matlab. Estos valores sern utilizados en la bsqueda de la combinacin de parmetros que sirva a u o a para entrenar la red neuronal ms efectiva. a
Abstract
This document explains the process of parameterization for the improvement of a meteorological forecasting model. In particular, forecasting the Direct Normal Irradiance (DNI ). The objective of the project is to decrease the error committed. With this aim, meteorological variables have been simulated for one region (Madrid), for the years 2008 and 2009. The corresponding values of DNI have been obtained by means of a physical model (MRM ) implemented in Matlab. These values will be used to look for the combination of parameters that trains the most eective neural network.
viii
GLOSARIO DE TERMINOS METEOROLOGICOS

Dado que los siguientes trminos aparecen constantemente a lo largo de todo el docue mento, se ha agregado este glosario con el n de que el lector se familiarice con ellos. DNI: Direct Normal Irradiance. Fraccin de la irradiancia solar que llega a la supero cie terrestre con una trayectoria bien denida hasta una posicin determinada y puede o ser concentrada. DHI: Diuse Horizontal Irradiance. Fraccin de la irradiancia solar que llega a la o supercie terrestre sin una trayectoria denida y por tanto, no puede ser concentrada. Elevacin: el ngulo de elevacin es el ngulo que forma el Sol, el observador y la o a o a supercie horizontal sobre la que se sita ste. u e GFS: Global Forecast System. Modelo numrico de prediccin meteorolgica a nivel e o o de todo el globo terrqueo. a GHI: Global Horizontal Irradiance. Es el total de la irradiancia, es decir, la suma de las componentes de irradiancia directa normal y difusa respecto de un plano horizontal. HR: humedad relativa del aire. Indice de nubosidad: coeciente comprendido entre 0 y 1 indicativo de la nubosidad existente entorno a un emplazamiento dado. Irradiancia: trmino utilizado para describir la potencia incidente por unidad de sue percie de todo tipo de radiacin electromagntica. o e MRM: Meteorological Radiation Model. Modelo f sico de parmetros atmosfricos a e usado para el clculo de las diferentes componentes de la irradiancia solar. a P: presin atmosfrica. o e Parmetro de turbidez: parmetro indicativo de la turbiedad de la atmsfera entorno a a o a un emplazamiento dado. Radiacin: fenmeno basado en la propagacin de energ en forma de ondas eleco o o a
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal tromagnticas o part e culas subatmicas a travs del vac o de un medio material. o e o T: temperatura ambiente. e o WRF: Weather Research and Forecasting model. Modelo numrico de prediccin meteorolgica para una regin dada. o o T: variacin de la temperatura. Calculada como la diferencia Ti+1 Ti en las series o temporales horarias de temperatura.
Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska
xi
Cap tulo 1
Introduccion
El trmino desarrollo sostenible apareci por primera vez a nales de los aos 80. e o n Este se denir como aquel que satisfaga las necesidades de las generaciones presentes a sin comprometer las posibilidades de las del futuro para atender sus propias necesidades. Este escenario podr segmentarse en tres partes: econmico, ecolgico y social. a o o De esta forma, las energ renovables empezaron crecer en importancia en la producas cin de energ elctrica. Como es bien sabido, las energ renovables son inagotables, o a e as usan tecnolog limpias y se han visto favorecidas por un aumento considerable en as su inversin gracias a las exenciones scales dadas a los proyectos de esta o ndole. Hoy en d ya se puede ver que la cantidad de energ procedente de energ renovables en a a as Espaa es signicativa. n Por otra parte, a pesar de todas las ventajas que tienen este tipo de energ no as, dejan de tener algunos inconvenientes, como las bajas eciencias y la aleatoriedad y dicultad de prediccin del recurso a aprovechar (sol, viento...). Cabe comentar que entre o las tecnolog disponibles para el uso de energ renovables unicamente la olica y la as as e solar trmica presentan expectativas para tener un papel importante en las prximas e o dcadas en la produccin elctrica. e o e La tecnolog termosolar aprovecha la energ procedente del sol, habiendo realizaa a do previamente una concentracin de la radiacin solar. La dicultad que entraa esta o o n tecnolog es la arbitrariedad con la que se dispone del recurso solar: la presencia de a nubosidad y part culas sobre el emplazamiento de los concentradores reduce sustancialmente la capacidad de produccin de la planta, recurrindose al uso de almacenamientos o e para solventar este problema. Por ello, es deseable un optimizador de la planta que permita combinar las estrategias de operacin con la disponibilidad de energ para maximizar la rentabilidad. De igual o a manera, es necesario un sistema de prediccin del recurso en un horizonte temporal peo queo (24,48 o 72 horas). Este problema ha surgido con el desarrollo de dicha tecnolog n a y por tanto, es relativamente nuevo, no habindose realizado demasiada investigacin en e o el tema. En cualquier caso, modelos f sicos y tcnicas estad e sticas han sido desarrollados con cierta ecacia, aunque resultando inexacta la prediccin en condiciones de nubosidad. o En el presente proyecto se ha efectuado la parametrizacin de una red neuronal, con o 1
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal el n de aadirla a la salida de un sistema de prediccin meteorolgica. Este est comn o o a puesto a su vez de diferentes modelos. El sistema consiste de un modelo nmerico de prediccin de gran escala (GFS ), cuu o yas variables meteorolgicas de salida son a su vez entradas de otro modelo de menor o escala (WRF ). De ste, ciertas variables de inters son obtenidas (presin, temperatura, e e o humedad relativa, etc). A continuacin algunas de ellas son utilizadas para la estimacin o o de la radiacin solar mediante un modelo f o sico (MRM ). Un esquema del sistema de prediccin con la red neuronal aadida se presenta en la gura 1.1. o n
Figura 1.1: Esquema del modelo de prediccin. o
1.1.
Objetivo
Dadas una serie de valores de la radiacin solar estimados mediante un modelo f o sico y una muestra de valores medidos en una ubicacin determinada, se ha tratado de buso car la mejor combinacin de parmetros de una red neuronal articial usando variables o a meteorolgicas de tal manera que se redujera el error cometido en dicha estimacin. o o
1.2.
Fases y resumen del proyecto
Se puede dividir en tres fases: 1. Se ha realizado una simulacin meteorolgica para el rea de Madrid. En concreto, o o a se han obtenido las variables meteorolgicas para el entorno del centro de investio gacin de Ciemat en Ciudad Universitaria (40.4528o N, 3.7242o O) para los aos o n 2008 y 2009, con una resolucin temporal horaria. o 2. A continuacin, con las variables de dicha rea se han obtenido los valores ms o a a prximos a las coordenadas geogrcas concretas y se han calculado los valores o a Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 2
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal de radiacin correspondientes mediante un modelo f o sico implementado en Matlab (MRM). 3. Se ha llevado a cabo la parametrizacin de la red neuronal, posterior a un breve o anlisis de los datos usados en el entrenamiento. Se han entrenado las redes con a el ao 2008 y se ha tratado de predecir el 2009. Esta tercera fase es el objeto del n proyecto.
1.3.
Esquema del documento
En el presente documento se presentan los resultados de realizar la parametrizacin o de una red neuronal aadida a un modelo de prediccin. n o El documento consiste de seis cap tulos adems del actual: a Los cap tulos del 2 al 6 son de contenido terico. En l se explican desde aspectos o e ms generales, como puede ser el estado del arte a consideraciones ms espec a a cas relacionadas con la elaboracin del proyecto, en diferentes cuestiones como o la tecnolog termosolar, la radiacin solar, los modelos nmericos de prediccin a o u o meteorolgica y las redes neuronales. o Se ha desarrollado un cap tulo a continuacin para la obtencin de datos de la o o simulacin con la posterior explicacin de las pruebas realizadas y anlisis de los o o a resultados obtenidos. Finalmente se han expresado las conclusiones obtenidas del trabajo realizado.
1.4.
Entorno de trabajo
El proyecto ha sido efectuado en la empresa Sun to Market Solutions. Esta empresa participa activamente en proyectos de ingenier y desarrollo en plantas termosolares y a fotovoltaicas proponiendo soluciones y soporte tcnico. Aporta conocimiento, experiencia e legal, econmica y medioambiental para otras compa gobiernos, bancos o inversores. o nas, Trabaja en un entorno internacional, dando servicio a clientes de un amplio rango de pa del mundo. ses
Cap tulo 2
Introduccion a la tecnolog a termosolar

En este cap tulo se explicar los diferentes tipos de tecnolog existentes en la indusa a tria, centrndose en la que es de inters en este proyecto: la tecnolog termosolar. Se a e a proceder a comentar alguna de sus peculiaridades y nalmente se realizar un resumen a a de la situacin actual en Espaa de dicha tecnolog basado en datos de la Asociacin o n a o Espaola de la Industria Solar Termoelctrica [1]. n e
2.1.
Tipos de tecnolog a
La energ solar aprovecha la radiacin procedente del sol sobre una supercie capa o tadora que transformar en otro tipo de energ dependiendo de su nalidad. As pues, a a hay dos grandes tipos de energ solar: fotovoltaica y termosolar. a La energ fotovoltaica transforma la radiacin directamente en electricidad. Los a o fotones de la radiacin solar inciden sobre un metal que, superado cierto umbral, produce o el movimiento de electrones y por tanto, generacin de electricidad. o
Figura 2.1: Panel fotovoltaico. La energ termosolar utiliza la capacidad trmica de un uido caloportador para a e aprovechar dicha radiacin. Dentro de la energ termosolar la podemos clasicar segn o a u la temperatura del uido de trabajo: 5
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Baja temperatura para agua caliente sanitaria, calefaccin y fr solar hasta 100-150o C. o o Media temperatura, desde 100o C hasta 200-300o C usndose en procesos industriaa les. Alta temperatura, para aplicaciones industriales hasta 1000o C. Para aplicaciones termoelctricas el uido calentado se usar para producir vapor e a sobrecalentado en un intercambiador de calor que posteriormente ser utilizado en una a turbina para la generacin de electricidad. Con este propsito se han desarrollado dio o ferentes tecnolog mostrndose a continuacin solamente las ms importantes. Pero as, a o a antes de ello cabe denir las partes de un colector solar: Colector : sistema completo, receptor ms concentrador. a Receptor : elemento donde se absorbe la radiacin solar y se convierte en otra forma o de energ a. Concentrador : parte del colector que dirige la radiacin hacia el receptor. Puede ser o reector o refractor, cil ndrico o supercie de revolucin y continuo o segmentado. o Normalmente exige orientacin, es decir, sistema de seguimiento. o Aumentando la relacin de concentracin de los colectores aumentan las temperatuo o ras de trabajo pero tambin los requerimientos al sistema ptico y de seguimiento lo que e o produce un aumento considerable de los costes. Centrales de colectores cilindro-parablicos: estas centrales son las formadas por o campos solares de colectores de espejo con una supercie parablica. El receptor o es generalmente tubular y va encapsulado en otro tubo de mayor dimetro, haa bindose hecho vac entre ambos. A travs del tubo circula el uido caloportador. e o e Se usan para relaciones de concentracin intermedias de hasta 500o C siendo habio tual temperatura de 400o C. Estos colectores estn programados para realizar un a seguimiento del sol y para maximizar la captacin de energ solar. El seguimiento o a lo realiza en un solo eje: Norte - Sur y Este - Oeste.
Figura 2.2: Colector cilindro parablico. o
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Centrales de torre: los sistemas de receptor central estn formadas por un campo a de espejos heliostatos de enorme tamao los cuales realizan el seguimiento del sol n en dos ejes. El campo de heliostatos apunta a un intercambiador de calor situado en la parte superior de una torre central. El gran nmero de heliostatos y su tamao u n hacen que el campo solar ocupe una gran supercie. Adems, en un sistema de a este tipo hay que considerar otros efectos pticos como por ejemplo las sombras o producidas por colectores vecinos lo que requiere espaciarlos adecuadamente o bien bloqueos producidos por la torre. Se consiguen temperaturas de concentracin entre o o C. El dise o y la operacin de este tipo de sistemas es mucho ms 550 y 1500 n o a complejo que el del caso anterior. Existen dos explotaciones comerciales en Espaa n hasta el momento aunque las perspectivas de crecimiento son buenas.
Figura 2.3: Campo de heliostatos y torre. Generadores solares disco-parablicos: son colectores con algn tipo de simetr o u a circular cuyo concentrador, generalmente compuesto de una o varias supercies de revolucin, reeja la radiacin hacia un receptor puntual. La forma ms comnmeno o a u te usada en el concentrador es el paraboloide de revolucin, cuya geometr resulta o a de girar entorno a un eje central el perl de un cil ndrico-parablico. El seguio miento del sol es en dos ejes. Se consiguen temperaturas hasta 1500o siendo una temperatura habitual del uido a calentar unos 750o C. Para realizar la conversin o a electricidad motores con ciclo Stirling son los ms usados y los que ms perspeca a tivas de futuro tienen.
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal
Figura 2.4: Esquema y fotograf de receptor cilindro parablico. a o Fresnel : consiste en las de colectores solares que reejan la radiacin hacia un o receptor lineal por el que circula uido caloportador. La principal diferencia respecto de los colectores cil ndrico parablicos es que en esta conguracin en vez de o o tener un reector parablico ahora cada tubo tendr varios que pueden ser controo a lados independientemente. Por el momento simplemente se han realizado pruebas en instalaciones piloto sin objetivo comercial.
Figura 2.5: Colectores en disposicin Fresnel. o Cabe mencionar que en todas estas tecnolog es un factor clave mantener un renas dimiento ptico de los espejos adecuado, es decir, mantener unos niveles de limpieza o considerables y que el seguimiento se realice con cierto grado de precisin. o Las centrales de colectores cilindro-parablicos y de torre son las ms desarrolladas o a hasta la fecha y comparten la misma idea.
Figura 2.6: Esquema de una central de torre. Estas centrales usarn el vapor de agua generado en un ciclo Rankine, con o sin a modicaciones (con recalentamiento o con extracciones). El ciclo Rankine trata de emular al ciclo de Carnot, que es el rendimiento terico mximo. El ciclo de Carnot se produce o a cuando en presencia de dos focos de temperatura, una mquina trabaja absorbiendo una a cantidad de calor Q1 del foco caliente y cediendo un calor Q2 a la de baja temperatura produciendo un trabajo sobre el exterior. El rendimiento ser: a = W Q1 Q2 Q2 T2 = =1 =1 Q1 Q1 Q1 T1 (2.1)
Figura 2.7: Ciclo terico de Carnot en diagrama P-V y T-S respectivamente. o Este ciclo consta de cuatro etapas: Absorcin de calor del foco caliente a temperatura constante (1-2). o Expansin isentrpica (2-3). o o Cesin de calor al foco fr a temperatura constante (3-4). o o Compresin isentrpica (4-1) o o
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal En el ciclo ideal de Rankine, se produce vapor debido a la transferencia de calor desde un producto o fuente energtica, se produce una expansin isentrpica del vapor sobree o o calentado en una turbina transrindole energ cintica a sta que se aprovechar para e a e e a la produccin de electricidad mediante un generador elctrico. A continuacin el uido o e o cambia a fase l quida en un condensador, que no es ms que un intercambiador de calor. a Finalmente, una vez obtenido l quido este se comprime en una bomba para volver a producirse el aporte de calor. Asimismo, se tratar de aumentar la presin de la caldera a o y disminuir la presin del condensador. o
Figura 2.8: Ciclo Rankine terico y real. o Se puede apreciar que las compresiones y expansiones isentrpicas no existen realo mente, si no que siempre se produce irreversibilidades, aumentos de entrop Adems, a. a el aporte de calor se realiza en tres subetapas. Primero se calienta l quido subenfr ado, para realizarse el cambio de fase y posteriormente prolongar el calentamiento del vapor sobrecalentado. Aunque a veces se evita esto en casos como las centrales nucleares que tienen que cumplir requisitos de seguridad altos. Existen muchas modicaciones del ciclo Rankine como ponerle en este punto un recalentamiento, escalonando las expansiones o mediante la realizacin de extracciones de vapor con el n de aumentar el rendimiento o del ciclo. Desde el punto de vista de la generacin de electricidad, la turbina tiene que evio tar uctuaciones de carga. Dada la gran aleatoriedad de los fenmenos meteorolgicos o o esto no es tarea sencilla, por lo que se debe recurrir a almacenamientos. El sistema de almacenamiento permite acortar los tiempos de arranque y eliminar transitorios que se puedan producir debido a la aleatoriedad del recurso solar (por nubes, etc). La conguracin de los almacenamientos vendr dada por la estrategia de operacin o a o que se quiera implementar en la central. As se podr optar por evitar transitorios utili, a zando almacenamientos de corta duracin con gran capacidad de respuesta. En cambio, o si se opta por aumentar el periodo de produccin de la planta se debern utilizar almao a cenamientos de mayor tamao. n A pesar la existencia de diferentes tipos de almacenamientos solo algunos de ellos son viables teniendo en cuenta la rentabilidad de la planta. Con diferencia la industria
10
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal suele recurrir a almacenamientos trmicos. En ellos el factor clave desde el punto de vista e tcnico es el obtener una elevada densidad energtica para cumplir los requisitos con un e e m nimo de volumen. Otro aspecto importante es la correcta transferencia de calor entre el almacenamiento y el uido calor fero. Se pueden clasicar como: Calor sensible: en el almacenamiento de calor sensible la energ es acumulada a en un material a una temperatura determinada. Dicho material no sufre cambios de fase y puede ser slido l o quido o combinacin de ambos. Algunos de los ms o a usados son agua, aceites naturales o sintticos, sales fundidas y metales l e quidos. Este tipo pueden encuadrarse dentro de dos subgrupos: directos e indirectos. En los primeros es el mismo uido de trabajo el que se usa en el campo solar y en los almacenamientos; en el segundo se recurre a un intercambiador de calor, con las prdidas trmicas que este lleva asociadas. e e Calor latente: en el almacenamiento de calor latente, se aprovecha el cambio de fase de los materiales para almacenar calor, por lo que tericamente este se mantendr a o a temperatura constante. Adems, este tipo de plantas suelen poseer un sistema de hibridacin fsil, o sea, a o o una caldera de apoyo. Se pueden emplear diferentes combustibles como gasleo, biogao ses procedentes de biomasa, siendo el gas natural el ms usado. En concreto, en el RD a 661/2007 se especica que se puede realizar la quema de combustible para mantener la temperatura del uido trasmisor de calor para compensar la falta de irradiacin solar o que pueda afectar a la entrega prevista de energ La entrega del combustible se realia. zar desde una planta situada en las proximidades. a Como se ha dicho, deben ser tenidos en cuenta tanto el sistema de hibridacin como la o conguracin de los almacenamientos a la hora de elaborar una estrategia de operacin o o de la planta. Por ello, el tener un sistema de prediccin de la energ solar para las o a futuras 24, 48 o 72 horas es un factor clave.
2.2. Estado actual de la tecnolog termosolar en a Espana

En la gura 2.10 vienen dados los proyectos de plantas termosolares operativas, en construccin avanzada y preasignados. Como es lgico, la gran mayor de los emplazao o a mientos estn en zonas meridionales de Espaa debido al mayor recurso solar disponible a n (gura 2.9). Adems, la mayor de las centrales operativas o en proyecto de construca a cin usan la tecnolog de colectores cilindro-parablicos, a excepcin de la PS10 y PS20 o a o o y Gemasolar, que son centrales de torre; las dos de Puerto Errado, que usan tecnolog a Fresnel y Casa del Angel de discos parablicos. Sin embargo, de las centrales preasignao das si que se aprecia un incremento a favor de esta tecnolog (discos parablicos) con a o la construccin de 70 MW de potencia en Ciudad Real. o
11
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 2.1: Potencia de centrales termosolares en Espaa en 2010 y 2011. n Estado Operativa Construccin avanzada o Preasignada Total Potencia 2010 (MW) 382.2 717.5 1374.2 2473.9 Potencia 2011 (MW) 788.4 881 842 2511 Incremento ( %) 106 23 -40 2
Siguiendo esos mismo datos, el total de potencia instalada en Julio de 2011 en Espaa es de 788.4 MW. A principios de 2010 la potencia instalada era de 382.2 MW, lo n que supone un aumento aproximadamente del 100 %. La potencia de los proyectos en construccin avanzada tambin aumenta en este periodo temporal, siendo de 717.5 MW o e en 2010 y 881 MW en 2011, es decir, un aumento del 23 %. Finalmente, la potencia en proyectos preasignados se ha visto reducido en un 40 %, pasando de 1374.2 MW a 842 MW instalados. Este anlisis se podr justicar fcilmente debido a la situacin econmica que atraa a a o o viesa actualmente el pa El nmero de proyectos preasignados se ha visto fuertemente s. u disminuido por la falta de medios, mientras que la potencia instalada aumenta al ir nalizndose los proyectos que ya estaban en construccin. a o
12
Figura 2.9: Situacin de las distintas centrales termosolares en Espaa. o n
13
Figura 2.10: Listado de centrales termosolares en Espaa actualmente operativas, en n construccin y preasignadas. o
14
Cap tulo 3
Radiacion solar
En este cap tulo se tratar de realizar una descripcin de la radiacin solar y de cona o o ceptos muy ligados a ella para nalmente acabar adentrndose en algoritmos y modelos a que han sido directamente usados en el presente proyecto.
3.1.
El Sol
El Sol constituye la principal fuente de energ de la Tierra. En concreto, el Sol radia a 23 kW de los cuales 1,71014 son interceptados de forma constante una potencia de 3,810 por la Tierra. La mayor parte de esta potencia llega a la Tierra en forma de radiacin. o De esta radiacin recibida en la supercie exterior, el 30 % se reeja al espacio, el 47 % o es absorbida por la atmsfera, tierra y ocanos y el 23 % restante se usa para mantener o e la conveccin atmosfrica y el ciclo hidrolgico. Puede ser considerado como un cuerpo o e o negro a la temperatura de 5777 K aplicando la ley de Stefan-Boltzmann (E = T 4 , = 5,6687 108 W m2 K).
3.2.
Espectro solar
El espectro electromagntico est compuesto de las diferentes formas que presenta e a la energ radiante. Este se divide tambin en diferentes bandas caracterizadas por sus a e longitudes de onda. La energ radiante se puede considerar como un haz de part a culas o cuantos de energ luminosa denominados fotones que viajan describiendo un movimiento a ondulatorio a la velocidad de la luz. Cada fotn posee una longitud de onda , y una o cantidad de energ E, que vienen relacionadas por la ecuacin: a, o E= hc (3.1)
donde h es la constante de Planck, h = 6,6 1034 J s, y c = 3 108 m s1 . Si examinamos en detalle el espectro solar se puede apreciar que contiene muchas rayas oscuras a pesar de que parezca continuo. Estas demuestran la formacin de un o espectro de absorcin debido a que la luz blanca a alta temperatura procedente del o Sol atraviesa los gases ms fr que le rodean y a los cuales cede energ de las difea os a
15
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal rentes longitudes de onda que pueden absorber y emitir los tomos de la atmsfera solar. a o Adems, tambin puede observarse otras l a e neas debidas a la absorcin producida por o la atmsfera terrestre, que pueden distinguirse de las solares, porque var la intensidad o an con la inclinacin de los rayos solares que llegan a la Tierra, as como tambin depende del o e espesor y composicin de la capa de atmsfera que ha tenido que atravesar la radiacin. o o o Este espesor depende de la altitud del lugar y del ngulo de incidencia con el que la a radiacin atraviesa la atmsfera. Para tener en cuenta este hecho, el espectro de la o o radiacin solar a nivel del suelo se da referido a un factor que se denomina Masa Optica o o Masa de Aire (Air Mass. AM ) como se puede apreciar en la gura 3.1.
Figura 3.1: Distribucin espacial de la radiacin solar para radiacin solar extraterrestre o o o y radiacin solar AM 1.5. o En dicho grco, la serie roja es la radiacin solar extraterrestre mientras que la azul a o representa la correspondiente a una Masa Optica de 1.5. El valor de este factor es: mr =
0 ds 0 dz
(3.2)
donde s es la longitud recorrida por la radiacin y z=longitud recorrida por la rao diacin en la direccin vertical. o o Es decir, suponiendo que la composicin de la atmsfera es uniforme, es el cociente o o entre la longitud de la trayectoria que seguir la radiacin solar para llegar a un punto a o situado a nivel del mar cuando el Sol estuviese en el cnit, que es lo mismo que decir que e el ngulo formado por la vertical y el vector solar sea 0o . Una aproximacin al clculo a o a de este valor es aproximarlo por la secante del ngulo cenital. As el factor AM es igual a a 1 cuando est el Sol en el cnit y se est a nivel del mar, y aproximadamente 2 cuando a e a el ngulo cenital, denido posteriormente, vale 60o , ya que la longitud de la trayectoria a de la radiacin solar a lo largo de la atmsfera es el doble de la que ser a nivel del mar o o a con un ngulo cenital de 0o . a
16
Figura 3.2: Camino ptico seguido por los rayos solares a travs de la atmsfera. o e o En cambio, para estimarla con mayor exactitud, se usa la siguiente frmula: o mr = 1 cosz + 0,15 (93,885 z )1,253 (3.3)
Para otras presiones la siguiente aproximacin permite obtener la masa de aire, ma : o ma = mr (p/101,325) donde p es la presin atmosfrica en Pa. o e (3.4)
3.3.
La constante solar
Se conoce constante solar como el valor de la potencia recibida por unidad de rea a en una supercie perpendicular a la direccin de propagacin de la radiacin emitida o o o por el Sol en el exterior de la atmsfera terrestre. o Se trata de una magnitud cuyo valor, a pesar de su importancia, no ha sido determinado con precisin hasta recientemente. Las medidas de la constante solar son dif o ciles de realizar si se efectan desde la supercie terrestre ya que es necesario efectuar comu pensaciones para la absorcin en distintas bandas espectrales por las sustancias que se o encuentran en la atmsfera. o Hay dos valores de referencia que se vienen usando de los aos setenta; uno proporn cionado por la NASA y otro por el Worl Radiation Center (WRC). Los valores aportados fueron de 1353 W m2 y 1367 W m2 respectivamente. Este ultimo es el ms aceptado a y el que ser usado a lo largo de todo el proyecto. a
3.4.
Absorcion y scattering
La radiacin solar, en su camino hacia la supercie terrestre, sufre al pasar por la o atmsfera atenuacin debido a procesos de absorcin y de difusin. o o o o La absorcin de la radiacin solar en la atmsfera, lo que conlleva a una reduccin de o o o o su intensidad, es debido sobre todo al vapor de agua y dixido de carbono en las bandas o
17
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal del infrarrojo y vapor de agua en la zona ultravioleta. La difusin de la radiacin a su paso por la atmsfera, fenmeno ms conocido como o o o o a scattering, est causada por la interaccin de la radiacin con las molculas del aire, a o o e agua y part culas en suspensin. El grado en que esto ocurre depender del nmero de o a u part culas a atravesar, dependiendo tambin de la longitud de onda de la radiacin, , y e o el dimetro medio, d, de la part a cula con la que interacciona. Por ello, existen dos tipos de scattering.
d < /10: conocido como scattering de Rayleigh. La difusin se produce con igual o intensidad en el sentido de propagacin de la radiacin y en sentido contrario. La o o intensidad de la luz dispersada es inversamente proporcional a la cuarta potencia de la longitud de onda ( 1/4 ). Lo producen las molculas de gases que componen e la atmsfera. o d > /4: este caso se conoce como scattering de Mie. La luz solar no se separa en las distintas longitudes de onda y todas las longitudes de onda son difundidas. Lo forman primordialmente el vapor de agua y aerosoles en la atmsfera. o
Por estos fenmenos la atmsfera se percibe como se conoce. Es decir, el cielo es azul o o porque las molculas de la atmsfera favorecen las longitudes de onda corta. En cambio, e o las nubes, al estar formadas por part culas en suspensin de gran tamao, se produce el o n efecto de Mie, y por ello las nubes poco espesas se perciben como blancas y no azules. Por otra parte, es muy comn en un d soleado encontrar en el horizonte un fondo u a blanquecino.
Figura 3.3: Fenmeno de scattering por Rayleigh o por Mie segn incidencia del sol. o u
18
3.5.
Transmitancia
Un concepto relacionado a los de absorcin y scattering es el de transmitancia. Es o conveniente denir este concepto dado que se ha usado constantemente ms adelante. La a transmitancia ser la fraccin de radiacin incidente que atravesar un cuerpo respecto a o o a de la inicial. Es decir: = I Io (3.5)
3.6.
Distancia Sol-Tierra
Como bien es sabido, la rbita de la Tierra alrededor del Sol es el o ptica, estando el Sol posicionado en uno de los focos. Es de importancia conocer con precisin la distancia o del Sol a la Tierra ya que el valor de la radiacin solar recibida depende en proporcin o o inversa del cuadrado de su distancia. La distancia media del Sol a la Tierra se ha estimado en 1,496 108 km. A esta distancia se le llama Unidad Astronmica (UA). La Tierra se encuentra en su posicin ms o o a prxima al Sol (perihelio) aproximadamente el d 3 de Enero. Esta distancia es 0.983 o a UA. En el punto ms lejano (afelio) se encuentra aproximadamente el d 4 de Julio, a a siendo la distancia correspondiente de 1.017 UA.
Figura 3.4: Ecl ptica con indicaciones de las posiciones de la Tierra ms relevantes a lo a largo del ao. n A lo largo de los aos han sido desarrollados diferentes ecuaciones para estimar n dicha distancia con alto grado de exactitud. La ms famosa y utilizada es la ecuacin de a o
19
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Spencer:
S = 1,00011 + 0,034221cos + 0,00128sin + 0,000719cos + 0,000077sin2 (3.6) donde expresado en radianes se conoce como el ngulo diario que es: a 2(dn 1) 365
(3.7)
donde dn es el nmero de d del ao de 1 a 365, sin tener en cuenta el d de ms en u a n a a aos bisiestos. n
Figura 3.5: Distancia Sol-Tierra frente a d del ao. a n
3.7.
Ecuacion del tiempo
El tiempo solar es denido en funcin de la rotacin de la Tierra alrededor del Sol o o y de su eje polar. Un d solar se dene como el intervalo de tiempo entre dos pasos a sucesivos del Sol por el meridiano del observador. Los d solares var a lo largo del ao, siendo dos los factores causantes de ello; as an n La inclinacin de la Tierra con respecto a la Ecl o ptica, que es el plano denido por la trayectoria de la Tierra alrededor del Sol. La rbita el o ptica de la Tierra.
20
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal La ecuacin del tiempo viene dada por la diferencia entre el movimiento real de la o Tierra y si ste fuera uniforme. Dada la similitud a un comportamiento senoidal, esta e puede ser expresada en trminos de series de Fourier de la forma: e
Et = 229,18 (0,000075 + 0,001868cos 0,032077sin 0,014615cos2 0,04089sin2) (3.8)
Figura 3.6: Valor de la ecuacin del tiempo a lo largo del ao. o n Mediante la ecuacin del tiempo se consigue relacionar la hora local con la hora solar o verdadera. La hora solar verdadera u hora local aparente es la que se expresa haciendo que las doce del mediod coincidan con el paso del Sol por el meridiano del observador. a Para ello se necesita conocer el meridiano estndar que determina el tiempo local en la a zona. Se realizar una correccin sobre ste y se sumar la ecuacin del tiempo obtea o e a o nindose la hora solar verdadera. e
HSL = HSE + 4 (Ls Le ) + Et
(3.9)
Donde el 4 es debido a que si una hora corresponde a 15o entonces cada grado corresponder a 4 minutos. a
3.8.
Direccion de la radiacion solar
Algunos de los ngulos usados para determinar la direccin de la radiacin solar a o o respecto a un plano con cualquier orientacin particular relativa a la Tierra son: o Latitud : es la distancia angular entre un punto de la supercie terrestre y la l nea de ecuador. Al norte la latitud es positiva. Es denida entre -90o y 90o . Longitud : es la distancia angular entre un punto en la supercie terrestre y el meridiano de Greenwich. Al este es positiva. Es denida entre -180o y 180o .
21
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Declinacin: como es bien sabido la Tierra se encuentra inclinada respecto de la o normal al plano de su rbita. Por esta razn, la cantidad de radiacn solar recibida o o o a lo largo de un d por un punto determinado de la Tierra var a lo largo del a a ao dando lugar a cambios estacionales. El ngulo que forma la l n a nea que une los centros del Sol y la Tierra con el plano ecuatorial terrestre tambin var y se llama e a declinacin. En la gura 3.4 se puede apreciar este ngulo. La declinacin puede o a o ser calculada mediante otra ecuacin desarrollada por Spencer (en grados). Esta o ser usada en el algoritmo de posicin solar usado en el presente proyecto. a o
= 0,006918 0,399912 cos + 0,0070257 sin 0,006758 cos2 + 0,000907 sin2 0,002697 cos3 + 0,00148 sin3
(3.10)
En los equinocios = 0 mientras que en el solticio de verano y en el de invierno ser = +23o 27 / 23o 27 respectivamente. a Angulo cenital : es el ngulo entre la vertical, cnit del observador, y la l a e nea hacia el Sol, i.e, el ngulo de incidencia de la radiacin solar directa en una supercie hoa o rizontal. Una ecuacin muy utilizada que relaciona los ngulos cenital, declinacin, o a o latitud y ngulo horario es: a cosz = sin sin + cos cos coss (3.11)
Donde z denota el ngulo cenital, la elevacin, la latitud y s el ngulo horario. a o a Angulo de elevacin solar : complementario del ngulo cenital. o a Angulo horario: es el desplazamiento angular del Sol al este o al oeste respecto del meridiano local debido a la rotacin de la tierra sobre su eje a 15o por hora, siendo o negativo por la maana y positivo por la tarde. n = hora solar 12 15o (3.12)
Angulo azimutal solar : es el desplazamiento angular desde el sur de la proyeccin o de la radiacin incidente en el plano horizontal. Los desplazamientos al este desde o el sur son negativos y al oeste desde el sur son positivos. Todo esto puede visualizarse en la gura 3.7:
22
Figura 3.7: Angulos solares respecto de un observador en el hemisferio norte. Adems, teniendo en cuenta que un colector puede ser visto como un plano no a horizontal se tiene: Angulo de incidencia: es el ngulo entre la direccin de la radiacin solar incidente a o o en una supercie y la normal a esa supercie. Inclinacin: se reere al ngulo entre el plano de la supercie considerada y la o a horizontal. Angulo azimutal supercial : es la desviacin de la proyeccin en un plano horizontal o o de la normal a la supercie respecto del meridiano local, con el valor cero al sur, al este negativo y al oeste positivo. Denido entre -180o y 180o .
Figura 3.8: Angulos de inclinacin e incidencia de un colector solar. o Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 23
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Es por esta razn que los colectores solares vengan con sistemas de seguimiento o del sol, para maximizar la energ concentrada. a
3.9.
Algoritmo de posicion solar
Para el clculo de la radiacin solar es necesario el uso de un algoritmo de posicin a o o del sol dado que la potencia incidente sobre una supercie ser funcin de los ngulos a o a explicados. Una vez descritos los conceptos relacionados con la posicin solar es posible describir o el algoritmo concreto de posicin solar que ha sido utilizado en el proyecto. Con el n o de explicarlo de manera esquematizada y concisa se expresar de forma enumerada. a 1. Lo primero de todo es pasar la hora a GMT. 2. Se calcula la declinacin. o 3. Se calcula el ngulo horario para una hora solar dada. a 4. Se calcula el ngulo horario para la salida y puesta de Sol, s , con el objeto de a determinar la hora solar a la que sale , Tsr , y se pone, Tss , el Sol en el d elegido, a es decir, las horas de exposicin solar. Estas vienen dadas en funcin del mediod o o a solar, que ha sido denotado como M S. El mediod solar ser calculado en tiempo a a solar verdadero siendo su valor: M S = 12 Et 4 (L Lref ) 60 60 (3.13)
donde Et es la ecuacin del tiempo y L la longitud. El valor de Lref es de 15o dado o que el lugar est en GMT+1. a Ahora para el clculo de Tsr y Tss se impondr un ngulo cenital nulo en la ecuacin a a a o 3.11 y se despejar el ngulo horario deseado: a a cos s = sin sin = tan tan cos cos s 180 15 s 180 15 (3.14)
Tsr = M S
(3.15)
Tss = M S +
(3.16)
5. El ngulo de elevacin se calcular mediante la ecuacin 3.11. Este ser truncado a o a o a o donde tomar valor 0. para ngulos menores de 5 a a
24
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal 6. Para el clculo del azimut se calculan las coordenadas del vector solar Usx , Usy y a en funcin de la latitud, la declinacin y del ngulo horario. o o a Usy = cos sin cos + sin cos (3.17)
Usx = cos sin
(3.18)
El azimut se obtendr como el arcotangente del cociente de la coordenada x e y, a limitndolo a 0 para ngulos de elevacin menores que 0. a a o
3.10.
Componentes de la radiacion solar
Debido a las interacciones que la radiacin solar sufre con las part o culas y substancias que componen la atmsfera y la posicin del Sol, se puede hablar de tres componentes. o o Por una parte, la radiacin solar directa es aquella fraccin de la radiacin solar que o o o llega a la supercie terrestre con una trayectoria bien denida hasta la posicin determio nada. Debido a ello, puede ser concentrada por reexin. En d soleados en ambientes o as despejados puede llegar al 90 % de la radiacin global; en cambio en d cubiertos el o as valor puede descender hasta valores prximos a cero. o Es la componente perpendicular a un plano respecto de una supercie de captacin. o Por tanto esta magnitud deber ir multiplicada por el coseno del ngulo que forma la a a direccin del rayo incidente sobre dicha supercie. o Por otra parte, como ya ha sido indicado, parte de la radiacin solar a su paso o por la atmsfera se pierde al ser absorbida por las substancias de la atmsfera. Esto o o provoca cambios de direccin en la radiacin y una disminucin de la energ La fraccin o o o a. o de la radiacin solar que llega a la supercie terrestre sin una trayectoria denida se o denomina radiacin solar difusa. Esta componente de la radiacin solar global se puede o o descomponer a su vez en tres componentes: Circunsolar : la componenete que llega de la zona brillante alrededor del disco solar. Banda del horizonte: la componente que proviene de la zona sobre el horizonte. Componente correspondiente al resto de la bveda celeste. o Al igual que la radiacin solar directa, esta componente puede variar enormemente, o de forma complementaria a la directa, tomando valores elevados en condiciones de cielo cubierto y valores pequeos cuando no. n Finalmente, la radiacin reejada, la cual tambin es denominada albedo, es la rao e diacin que llega a una supercie determinada como consecuencia de la reexin de la o o radiacin solar en el suelo o en supercies verticales. Esta es una proporcin pequea o o n con respecto a las otras dos.
25
Figura 3.9: Esquema de las componentes de la radiacin. o La relacin entre las componentes respecto de una supercie de captacin quedar: o o a IG = Ib cos + ID (3.19)
siendo el ngulo de incidencia. Cada uno de estos trminos representa irradiancia. a e Este trmino es utilizado para describir la potencia incidente por unidad de supercie e de la radiacin. Ampliamente es denotada la irradiancia solar directa como DNI (Direct o Normal Irradiance); ID tambin es conocida como DHI (Diuse Horizontal Irradiance), e es decir, la componente difusa; IG tambin es denotada como GHI (Global Horizontal e Irradiance).
3.11. Importancia de la estimacion de la radiacion so lar directa para aplicaciones de concentracion solar
Es de suma importancia conocer la disponibilidad energtica del recurso solar en un e emplazamiento a la hora de elegirlo para la construccin de un instalacin termosolar. Es o o fundamental conocer cunto y cmo voy a obtener el recurso para posteriormente poder a o realizar el diseo. En concreto, el valor de la radiacin solar directa para aplicaciones de n o concentracin, dado que es la unica que puede ser acumulada. Lo ideal es tener una base o de datos amplia de la ubicacin. Sin embargo, esto no es fcil; la radiacin solar directa o a o es algo compleja de medir y costosa. Por ello se ha de recurrir a diferentes modelos para estimarla a partir de otra variables meteorolgicas. A continuacin se han detallado los o o sistemas de medida actualmente ms utilizados para posteriormente explicar modelos a para la estimacin de DNI. o
3.12. Instrumentos de medida de radiacion solar y otras variables

La radiacin solar generalmente es medida en estaciones meteorolgicas. Tambin o o e en ellas se miden otras variables meterolgicas de inters como el viento, la humedad o e Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 26
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal relativa, la precipitacin, la temperatura y/o la presin atmosfrica. Mediante el estudio o o e de estas variables es posible establecer el comportamiento atmosfrico de la zona donde e se encuentra la estacin. o
Figura 3.10: Estacin meteorolgica t o o pica. Existen innitud de diferentes tipos de sensores en la industria para la obtencin o de la medida de las variables meteorolgicas. Por ello, dado que no es el objeto de este o proyecto se va a realizar una simple enumeracin de los sensores que suelen formar parte o de las estaciones meteorolgicas. Posteriormente se explicar al lector con ms detalle o a a los instrumentos ms usados en relacin con la radiacin solar. a o o Termmetro, medida de temperaturas. Generalmente el sensor de se trata de un o termistor. Su funcionamiento se basa en la variacin de la resistividad que presenta o un semiconductor metlico con la temperatura. a Barmetro: medida de presin atmosfrica en supercie. o o e Pluvimetro: medida de la cantidad de precipitacin. o o Psicrmetro o higrmetro: medida de la humedad relativa del aire y la temperatura o o del punto de roc o. Anemmetro: medida de la velocidad del viento y veleta para registrar su direccin. o o Suele ser medido a una altura de 10 m. Veleta: indica la direccin del viento. o
3.12.1.
Datalogger
El datalogger se trata de un dispositivo electrnico encargado de registrar datos en o el tiempo de sensores externos a l o propios. Estos se pueden conectar a un ordenador e Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 27
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal personal y mediante un software espec co permiten ver y analizar los datos que han sido registrados. Permiten recoger automticamente datos, dejndolos sin vigilancia para a a registrar los datos durante todo el per odo de seguimiento.
3.12.2.
Instrumentos de medida de la radiacion solar
La radiacin solar puede ser medida de diferentes formas. Se puede medir global, dio recta o difusa. La radiacin global es la radiacin hemiesfrica, i.e, la radiacin recibida o o e o por una supercie plana a travs de un ngulo slido de 2 esterorradianes siendo un e a o esterorradin el equivalente tridimensional del radin. As una esfera tendr un ngulo a a , a a slido de 4 estereorradianes. Los instrumentos que miden radiacin solar hemiesfrica o o e son denominados piranmetros. o
Figura 3.11: Fotograf de un piranmetro con y sin rotating shadowband. a o La radiacin global es medida por un piranmetro. Si lo que se desea es obtener la o o difusa o directa lo que se hace es aadirle un rotating shadowband. Esto es una banda n que protege a la hemiesfera de recibir radiacin directa del sol. Este puede ser en vez de o una banda un disco completo. Tienen que ser programados para realizar un seguimiento del sol. Por ello, requiere mucho mantenimiento. Como el anillo cubre tambin partes e del cielo difuso, se tiene que aplicar una correccin a los valores obtenidos. Este factor de o correccin depender del tipo de piranmetro, la geometr del anillo o del shadowband, o a o a la latitud del emplazamiento e incluso la anisotrop del cielo despejado. a Tambin la radiacin directa puede ser medida mediante un instrumento en forma de e o tubo que apunta al sol. Dicho instrumento se llama pirhelimetro. Este es ms preciso o a pero a la vez requiere de una mayor atencin. o
28
Figura 3.12: Fotograf de un pirhelimetro. a o Este tipo de intrumento suele tener un campo de visin limitado a 5o de apertura. o
Figura 3.13: Angulo de apertura de un pirhelimetro. o Otra forma alternativa de medir la radiacin difusa es usando simultneamente un o a piranmetro y un pirhelimetro. De esta manera, se consigue medir la radiacin difusa o o o y la directa ser por ende la diferencia de las dos, corregido por el coseno del ngulo a a cenital del Sol. El detector de la radiacin est situado horizontalmente. o a Estos tipos de instrumentos existen en diferentes clases segn precisin, encontrando u o un error en esta industria que puede llegar a var entre el 0,5 % que son los instruar mentos de referencia a un error aproximado de 10 %. El principio de funcionamiento de todos ellos est basado en el uso de termopilas, a haciendo uso del efecto Seebeck, el cual se reere a la emisin de electricidad en un o circuito elctrico compuesto por conductores diferentes, mientras estos tienen diferentes e temperaturas. La supercie del piranmetro est pintada de negro y a ella va adherida o a un termopar. El termopar de referencia estar ubicado en contacto con la supercie del a instrumento. La diferencia de ambas temperaturas producir una diferencia voltaje que a ser proporcional a la radiacin incidente. Dicha diferencia de voltaje suele ser muy pea o quea por lo que debe ser amplicada. n Ambos instrumentos tienen un material de ltrado que es cristal. Este solo permite pasar la radiacin de longitud de onda comprendida en el rango 0,3 3m. Una de sus o funciones es proteger de efectos externos y aislar la temperatura de referencia de tal Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 29
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal manera que no dependa de fenmenos meteorolgicos como el viento, aumentando las o o prdidas. e
3.12.3.
Heliografo
Otro instrumento usado relacionado con la radiacin solar es el heligrafo. En cono o creto ste contabiliza las horas de sol a lo largo de un d en un determinado lugar. Esto e a puede ser de utilidad para la elaboracin de modelos de cielo, como se ver ms adelante. o a a Consiste bsicamente en una bola de vidrio que a modo de lente concentra los rayos a solares en un foco prximo a ella. Segn el Sol se va moviendo, este foco va recorriendo o u una banda o cartulina jada detrs de la bola. La concentracin del foco va quemando a o dicha cartulina cuando los rayos solares son intensos. Si la formacin del foco fuera heo cha a travs de una lupa ser necesario desplazar sta constantemente en funcin de las e a e o variaciones diurnas y estacionales de la posicin del sol. Para evitar ste inconveniente o e una esfera de vidrio es utilizada.
Figura 3.14: Heligrafo. o En las bandas vienen marcadas las horas y las medias horas del d Son tiras de a. cartulina de buena calidad que no se dilatan por efecto de la humedad. Cuando hay nubes y la intensidad de la irradiancia es menor, la quema de la cartulina no se produce. En el caso de que las nubes desaparecieran, la carbonizacin de la cartulina continuar o a. La suma de las longitudes de los segmentos donde se ha producido carbonizacin de la o banda sern las horas de sol que ha tenido el d a a.
Figura 3.15: Bandas usadas de un heligrafo. o
30
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Segn la estacin del ao se usarn un tipo de banda u otra. Para ello el heligrafo u o n a o lleva tres ranuras diferentes en las cuales se pueden alojar las tres clases de bandas. Las bandas de verano son largas y curvas. Se encajan en la ranura inferior. Las bandas equinocciales son rectas, para las estaciones de primavera y otoo. Se n colocan en la ranura central. Las bandas de invierno tambin son curvas, pero de menor longitud que las de e verano. Se encajan en la ranura superior. Para que est bien ajustado este instrumento es necesario que est situado perfectae e mente en horizontal, tanto el el sentido Norte-Sur, como en el sentido Este-Oeste y estar orientado hacia el Sur si se encuentra en el hemisferio Norte. Adems, el heligrafo debe a o estar ajustado tanto para la latitud geogrca del lugar donde va a ser instalado como a en longitud.
3.13.
Modelos de cielo despejado
Un modelo de cielo despejado consiste en un parametrizacin para estimar la radiao cin solar integrada en todo el espectro en un d completamente despejado. Generalo a mente se obtienen buenas estimaciones con estos modelos. En cambio, para d cubiertos as o parcialmente cubiertos la estimacin de la radiacin solar por mtodos f o o e sicos es muy compleja y no se han realizado grandes avances en este sentido, optndose por otras a opciones para ste clculo, como tcnicas estad e a e sticas.
3.14.
El modelo meteorologico de radiacion (MRM)
El modelo MRM fue desarrollado con el objetivo de estimar datos de radiacin solar o en lugares donde no hubiera medidas [3]. Para ello, MRM emplea como entrada datos meteorolgicos comunes que suelen estar ms disponibles: temperatura, humedad, relao a tiva, presin baromtrica y horas de sol. o e Este modelo fue originalmente desarrollado en Grecia a principios de los aos 90. n Dado que el planteamiento ha resultado de un gran inters por parte de los investigadoe res, ste ha ido evolucionando a lo largo de los aos desde entonces, hasta obtenerse la e n versin nmero cinco. Una de sus particularidades es que se puede descomponer en dos o u submodelos: uno de cielo despejado y otro de cielo cubierto. La versin original del MRM era ecaz para cielo despejado, no sindolo para condio e ciones de nubosidad. El MRM v2 introdujo nuevas ecuaciones anal ticas para las transmitancias conviertindose en ms ecaz que su predecesor. De todas maneras, esta versin e a o slo funcionaba correctamente en cielo despejado. Estas deciencias fueron resueltas meo diante el desarrollo de una tercera versin (MRM v3). A lo largo de otros proyectos de o investigacin se desarroll la versin 4 que prove mejoras en condiciones de nubosidad. o o o a Tras diversos estudios en diferentes universidades, se detectaron y corrigieron errores en las ecuaciones de la transmitancia y de la geometr solar, dando lugar a la ultima a versin (MRM v5). o
31
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal A lo largo de la realizacin del presente proyecto se ha utilizado el modelo MRM o v5, con la salvedad de que ciertas modicaciones le han sido realizadas. A continuacin o se ha procedido a explicar en que consiste este algoritmo, mostrando sus ecuaciones y explicando cmo ha sido manipulado. o
3.14.1.
Modelo de cielo despejado
La irradiacin directa sobre supercie horizontal bajo cielo despejado se estima a o partir de la trasmitancia directa de los distintos procesos de absorcin y dispersin de o o la radiacin solar en la atmsfera. o o Ib = Iex sin h Tr To Tw Tmg Ta (3.20)
Tr es la transmitancia ptica a travs de las molculas debido a la dispersin de Rayo e e o leigh; To la transmitancia ptica a travs del ozono; Tw la transmitancia ptica debido o e o a la absorcin del vapor de agua; Tmg la transmitancia ptica debido a la absorcin de o o o gases mezclados (CO2 , CO, N2 O, CH4 y O2 ) y Ta es la transmitancia ptica debido a o aerosoles a causa de la dispersin de Mie. o Las distintas funciones de transmisin atmosfrica se determinan por medio de exo e presiones paramtricas que son funcin principalmente de la masa de aire, del contenido e o de los distintos absorbentes atmosfricos, de la temperatura y humedad relativa y del e parmetro de turbiedad de Angstrom. Su clculo se expone a continuacin: a a o Tr . La funcin de transmitancia por difusin es: o o Tr = exp [0,1128 m 0,8346 (0,9341 m 0,9868 + 0,9391 m )] (3.21)
donde la m es la masa de aire corregida por presin, ya explicada anteriormente. o To . La transmitancia ptica debido a la absorcin por ozono es: o o To = 1[0,1611 xo (1+139,48 xo )0,3035 0,002715 xo (1+0,00440 xo +0,0003 xo 2 )1 ] (3.22) donde xo = lo m y lo es la cantidad total de una columna de ozono en la atmsfera. o Este trmino se reere a cuantas molculas de ozono hay en el aire sobre cierto e e punto en la tierra y esta unidad suele venir dada en unidades Dobson. Si se trajera la capa de ozono a la supercie de la Tierra a temperatura y presin estndar, sta o a e medir 3 mm de espesor. A este valor se le asign el valor de 300 UD (unidades a o Dobson), que corresponde, aproximadamente, al promedio global de la columna de ozono.
32
Figura 3.16: Columa de ozono. Una aproximacin de este valor es: o
lo = d1 + {d2 + d3 sin[d4 (dn 30)] + d5 sin[d6 ( + )]}[sin2 (d7 )]
(3.23)
donde d1 = 0,235, d2 = 0,150, d3 = 0,040, d4 = 0,9865, d5 = 0,020, d6 = 2 /10800 y d7 = 1,28 /180. En la ecuacin 3.23, es la longitud geogrca en grados, o a positiva hacia el este de Greenwich, es la latitud geogrca, en grados, positiva a en el Hemisferio Norte; es un factor de correccin tomando un valor de 20o para o el Este o 0o para el Oeste. Tw . La transmitancia ptica debido a la absorcin por vapor de agua es: o o Tw = 1 2,4959 xw [(1 + 79,034 xw )0,6828 + 6,385 xw )]1 (3.24)
donde xw = lw m y lw es la columna total de agua precipitable, en cm. Puede ser aproximada por: lw = 0,23 em 10H/22000 (3.25)
donde em es la presin parcial de vapor de agua en mmHg a la altura de la estacin o o H (en metros). Tmg . La transmitancia ptica causada por la mezcla de diferentes gases en la o atmsfera se puede calcular como el producto de las transmitancias de los difeo rentes gases (H2 O, O3 , CO2 , CO, N2 O, CH4 y O2 ). Tmg = TCO2 TCO TN2 0 TCH4 TO2 (3.26)
La funcin de transmitancia para cada gas es genrica, cambiando solamente el o e valor de los coecientes. Ti = 1 [A m li /(1 + B m li )C + D m li ] Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska (3.27) 33
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 3.1: Valores de los coecientes A, B, C y D. Gas H2 O O3 CO2 CO N2 O CH4 O2 A 3.0140 0.2554 0.7210 0.0062 0.0326 0.0192 0.0003 B 119.300 6107.260 377.890 243.67 107.413 166.095 476.934 C 0.6440 0.2040 0.5855 0.4246 0.5501 04221 0.4892 D 5.8140 0.4710 3.1709 1.7222 0.9093 0.7186 0.1261
donde li es la columna vertical para cada uno de los gases. Los valores de los coecientes vienen dados en la 7.5. Los li s son usados en las expresiones anal ticas de las correspondientes funciones de transmitancia. Ta . La funcin de transmitancia de Mie es: o Ta = exp[m [0,6777 + 0,1464 0,00626 (m )2 ]1,3 ] (3.28)
donde es el el parmetro de turbidez de Angstrom. Dada su relevancia se explia car ms adelante este parmetro con ms detalle. a a a a La obtencin del valor de la irradiancia difusa, Id , se realizar de forma anloga a la o a a de la directa, es decir, multiplicando por una serie de descuentos que sern las funciones a de transmitancia. Ids = Iex cos Taa To Tw Tmg 0,5 (1 Tas Tr ) Idm = (Ib + Ids )[g a /(1 g a )] Id = Ids + Idm (3.29a) (3.29b) (3.29c)
donde Ids es la radiacin difusa circunsolar producida por dispersin de molculas y o o e aerosoles e Idm la componente difusa reejada por el terreno y vuelta a reejar por la atmsfera, a es el albedo de la atmsfera y g es el albedo del terreno. o o a = 0,0685 + 0,16(1 Ta1,66 ) donde Ta1,66 implica el valor de Ta con m=1.66 (o z = 53o ). La funcin de absorcin de aeorosoles, Taa es: o o Taa = 1 0,1(1 m + m1,06 )(1 Ta ) La expresin para la dispersin por aerosoles, Tas es: o o Tas = Ta /Taa La irradiancia global horizontal viene entonces dada por: Ig = Ib + Id Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska (3.33) 34 (3.32) (3.31) (3.30)
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 3.2: Valores t picos para el parmetro K para diferentes latitudes en el Hemisferio a Norte. K 0.32 0.32 0.33 0.34 (grados) 30 35 40 45
3.14.2.
Modelo de cielo cubierto
En el modelo MRM la radiacin directa para cielo cubierto se estima a partir de un o factor de transmitancia nubosa Tc . Ib = Ib Tc (3.34)
Este factor puede ser calculado mediante el cociente entre el nmero de horas de u tiempo de luz medido en un d y el mximo astronmico calculado tericamente. a a o o Tc = k (SDm /SDt ) (3.35)
Donde k es un coeciente emp rico para la nubosidad, cuyo valor suele estar entre 0.75 y 1. Suele ser habitual el caso en que k = 1. La componente difusa (Id ) y global (Ig ) vienen dadas entonces por: Ids = Ids Tc + K [1 Tc ](Ib + Ids ) Idm = (Ib + Ids )[g a /(1 g a )] Id = Ids + Idm Ig = Ib + Id a = 0,0685 + 0,16(1 Ta1,66 + V (1 SDm /SDt )) (3.36a) (3.36b) (3.36c) (3.36d) (3.36e)
donde a es el albedo de cielo cubierto, K un coeciente emp rico dado en la tabla 3.2, para diferentes latitudes geogrcas y V es un parmetro que var en el rango 0.3 - 0.6. a a a
3.15.
Aerosoles
Los aerosoles son una componente fundamental de la qu mica atmosfrica y de los e balances de la radiacin, siendo un aerosol una mezcla heterognea de part o e culas slidas o o l quidas suspendidas en un gas. A continuacin se han explicado los parmetros pticos o a o que caracterizan a un aerosol para posteriormente describir brevemente una base de datos para la obtencin de dichos valores. o
35
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 3.3: Valores representativos del prametro bajo diferentes condiciones atmosfria e cas, aadiendo diferentes rangos de visibilidad, V. n Condiciones atmosfricas e Limpia Clara Turbia Muy turbia 0.05 0.1 0.2 0.4-0.5 V [km] 340 340 11 5
3.15.1.
Parametro de turbidez
La ecuacin de Angstrom viene dada por la expresin: o o a, = (3.37)
Donde a, es el llamado espesor ptico de los aerosoles, que expresa la cantidad de o luz que ha sido absorbida o dispersada durante el camino de la luz a travs de un medio. e En el caso de la atmsfera este valor ir mutliplicado por la masa ptica. As si se tiene o a o , una intensidad de la radiacin Io al inicio y I al nal estas se relacionan mediante la o ecuacin: o I = Io em
(3.38)
Volviendo a la ecuacin 3.37, es conocido como el coeciente de turbidez y es un o parmetro relacionado con el tamao de part a n cula de los aerosoles, y es tambin conocido e como exponenete de Angstrom. Es d cil conocer estos parmetros para la mayor de a a localidades: se han realizado diversidad de estudios que dan un valor aproximado de estos coecientes segn el tipo de rea. Por ello, es frecuente utilizar una expresin que u a o relaciona con la latitud geogrca y la altitud de la estacin, H. La expresin es: a o o = + = (0,025 + 0,1 cos )e(0,7H = (0,02 0,06)
/1000)
(3.39a) (3.39b) (3.39c)
donde representa el valor anual medio de la turbidez y la desviacin estacional o respecto de la media, i.e, valores bajos en invierno, valores altos en verano. est en a el rango de 0.05-0.4 para un rango de concentracin de aerosoles desde bajo hasta alto. o Algunos valores representativos de vienen dados en la tabla 3.3.Adems de esto, existen a correlaciones de estos parmetros con la visibilidad medida de un lugar. a = 0,55 (3,912/V 0,02262)[0,02472 (V 5) + 1,132] (3.40)
donde V es la visibilidad horizontal en km. Esta se dene como la distancia horizontal mxima a la que un observador puede distinguir claramente algunos objetos de referencia a en el horizonte. Un valor t pico y el ms usado para es 1.3. a
36
3.15.2.
Globaerosol
Es muy importante el conocimiento de la distribucin de aerosoles en el estudio o climtico del planeta y prediccin del tiempo, adems de que es muy importante el a o a conocimiento de la materia particulada para evitar problemas de salud actuales y futuros en grandes focos de contaminacin. Todo esto hace que se tenga especial inters o e en el desarrollo de este rea de conocimiento hasta ahora desconocida. Por esta razn a o ha surgido el proyecto GLOBAEROSOL (www.globaerosol.info). La idea era realizar un proyecto que no solo sirviera para mbitos de investigacin o comercial si no para ambos, a o analizando los requerimientos de cada parte, ciencia e industria. En concreto de aqu se puede obtener el exponente de Angstrom y los espesores pticos para dos diferentes lono gitudes de onda: 550 y 870 nm.
3.16.
Modificaciones del MRM
En la seccin 3.14 se ha explicado el modelo MRM que es el que se usar para el o a desarrollo del proyecto. Como se ha visto, ste tiene como entradas las principales variae bles meteorolgicas presin, humedad relativa y temperatura; por otro lado tiene otras o o entradas relacionadas con la geometr solar como el ngulo de elevacin, el d del ao a a o a n y la altura del emplazamiento. Finalmente, tiene una entrada que es el dato de horas de luz solar medidas a lo largo de un d Como ya se vio en la seccin 3.12.3 esto es a. o medido mediante un heligrafo. Esta entrada se meti con el n de emular el efecto de o o la nubosidad. En cambio, los resultados distaban mucho de la realidad. Lo unico que se consegu era obtener un perl de radiacin solar en d despejado de forma atenuada. a o a La principal modicacin realizada ha sido en el parmetro de las horas de luz diao a rias. Se cambi ste por un oe ndice de nubosidad estimado a partir de modelos numricos e de prediccin lo cual mejora razonablemente los resultados obtenidos. El cmo obtener o o dicho ndice se indicar en el prximo cap a o tulo, una vez que el lector conozca los modelos numricos de prediccin. e o La otra modicacin realizada ya ha sido explicada en la seccin 3.15. En la versin o o o 5 original del MRM para el clculo del parmetro de turbidez de Angstrom se usaban a a las ecuaciones 3.39a, 3.39b y 3.39c. Dicha ecuacin daba unos valores poco representao tivos de la zona por lo que en la versin empleada en el presente proyecto se opt por o o seleccionar datos reales de la base de datos Globaerosol. Estos datos son obtenidos a partir de un satlite no geoestacionario. Ofrece un dato horario para diferentes pune tos de diferentes latitudes. En cambio, dichos puntos no son siempre los mismos por lo que se pueden obtener tan slo 4 o 5 valores en un mes para una misma ubicacin. o o Se trabajar introduciendo valores mensuales, que sern la media de los valores obtea a nidos a lo largo de los 5 aos en que hay datos disponibles: 2003, 2004, 2005, 2006 y 2007. n
37
Cap tulo 4
Modelos numericos de prediccion meteorologica

Cuando no se dispone de datos medidos, una de las metodolog para estimar cieras tas variables es la utilizacin de modelos numricos de prediccin. Estos modelos estn o e o a concebidos no slo para la prediccin meteorolgica a futuro sino tambin para la simuo o o e lacin de eventos meteorolgicos pasados. o o A continuacin se introducir al lector en una breve descripcin de las ecuaciones que o a o gobiernan la dinmica atmosfrica con el unico n de ofrecer una visin global sobre la a e o complejidad de dichos modelos numricos [4]. Posteriormente se ha procedido a explicar e al lector cmo realizan la integracin de las ecuaciones dichos modelos. Finalmente, se o o ha descrito qu tipo de modelos existen actualmente centrndose en los modelos usados e a para la realizacin del proyecto: GFS y WRF o
4.1.
Las ecuaciones de la atmosfera
Desde un punto de vista f sico, la atmsfera puede ser considerada como una mezcla o de gases y agua en sus distintos estados. Esta mezcla est en movimiento dentro de un a campo gravitatorio sobre una esfera en rotacin y calentada por el Sol. En este sistema o se deben cumplir la ecuacin de estado de los gases y las leyes de conservacin de energ o o a, masa y momento. Las ecuaciones vendrn dadas en parte por derivadas totales respecto a al tiempo de ciertas variables f sicas. En muchas de ellas se proceder de la siguiente a manera. Por ejemplo, considerando el campo de velocidades V=(u,v,w ) se tendr: a df f f dx f dy f dz f = + + + = +v dt t x dt y dt z dt t f (4.1)
donde f =f(x, y, z, t). Esta ecuacin indica que la derivada total en el tiempo de o una funcin, viene dada por la derivada local en el tiempo ms los cambios debidos al o a trmino de adveccin. e o Ecuacin de conservacin de masa: la variacin total en el tiempo de la masa de o o o una parcela de aire es nula (dM/dt = 0). La masa de aire contenida en un volumen xyz es: M = xyz 39 (4.2)
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal donde es la densidad del aire. Considerando la ecuacin: o 1 dM =0 M dt (4.3)
De sustituir 4.2 en la ecuacin 4.3 y realizar una descomposicin tal como en 4.1 o o se obtiene: 1 d + dt porque u 1 dx = x dt (4.5) v =0 (4.4)
Ecuacin de conservacin de vapor de agua: determina que la variacin total de o o o vapor de agua en una parcela de aire se debe exclusivamente a procesos de evaporacin E y/o condensacin C. o o dq =EC dt (4.6)
donde q es la proporcin en masa de vapor de agua en la parcela de aire. De o la misma forma, se podr incluir otras ecuaciones de conservacin para otros an o elementos como agua l quida, ozono, etc. Ecuacin de estado de los gases ideales: impone la siguiente relacin entre las o o variables de estado termodinmicas. a p=RT (4.7)
donde p es la presin, T la temperatura y es el volumen espec o co o la inversa de la densidad. Conservacin de energ la supercie terrestre al ser calentada por el Sol (enteno a: diendo como tal tierra y ocano) es el foco principal de calor para la atmsfera. Este e o calor absorbido por la atmsfera se emplea en variar su temperatura, su densidad o o ambas cosas a la vez; Q = Cv dT d +p dt dt (4.8)
donde los coecientes de calor espec co a volumen constante (Cv ) y a presin o constante (Cp ) se relacionan mediante Cp = Cv +R. Haciendo uso de la ecuacin de o estado se puede obtener una forma alternativa de expresar la ecuacin de energ o a: Q = Cp dT dp dt dt (4.9)
Conservacin del momento: la aceleracin sufrida por unidad de masa es por causa o o de cuatro fuerzas: gradiente de presin, gravedad, rozamiento y Coriolis. o Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 40
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal dv = p + F 2 v; (4.10) dt Estas cinco ecuaciones que han sido desarrolladas se las suele denominar ecuaciones primitivas. La prediccin numrica del tiempo meteorolgico consiste en obtener el estado de la o e o atmsfera en un tiempo futuro a partir de la condicin inicial actual. Para ello es neceo o sario tener un modelo numrico con la capacidad suciente para integrar las ecuaciones e adems de incorporar los intercambios energticos ms importantes en la capa l a e a mite (i.e, turbulencia). Dada la complejidad y no linealidad de las ecuaciones primitivas se recurre a aproximaciones que simplican la resolucin y lo hacen numricamente ms eso e a table tambin. La aproximacin que utilizan los modelos de prediccin meteorolgica es e o o o la aproximacin hidrosttica. Consiste en despreciar la velocidad vertical, considerando o a que las ondas de los u dos atmosfricos se propagan slo horizontalmente. e o
4.2.
Resolucion numerica de las ecuaciones
Para obtener la solucin de las ecuaciones, los modelos atmosfricos de circulacin o e o utilizan tcnicas numricas que discretizan el espacio y el tiempo. En coordenadas care e tesianas se considera una rejilla 4D sobre la que se aplican tcnicas de elementos nitos, e mientras que en coordenadas esfricas se aplican tcnicas espectrales que consideran un e e nmero nito de armnicos esfricos en la descripcin del sistema (para ms informau o e o a cin ver [4]). En ambos casos, la precisin del modelo depende en gran medida de la o o resolucin espacial: en general, una resolucin mayor conlleva una precisin mayor. Sin o o o embargo, el incremento de resolucin es muy costoso. Por ejemplo, duplicar la resolucin o o en un espacio tridimensional tambin requiere reducir a la mitad el paso de tiempo pae ra satisfacer las condiciones de estabilidad computacional (para ms informacin sobre a o estabilidad computacional ver [16]). As el coste computacional de doblar la resolucin , o crece con un factor de 24 = 16 (tres dimensiones y una variable temporal). Por tanto, existe una constante necesidad de aumentar la resolucin para obtener una prediccin o o mejor y ms detallada. a La prediccin numrica es, en buena parte, un problema de condiciones iniciales: o e dada una estimacin actual del estado de la atmsfera, un modelo numrico simula su o o e evolucin, para obtener una prediccin en un estado futuro. Esta condicin inicial se o o o establece a partir de la interpolacin sobre los puntos de rejilla del modelo de las obo servaciones disponibles; este proceso de obtencin de la condicin inicial a partir de las o o observaciones se denomina asimilacin. El principal problema de este proceso es que la o cantidad de datos disponibles no es suciente para inicializar el modelo en todos sus grados de libertad. Por ejemplo, un modelo con una resolucin t o pica de 1o de resolucin o horizontal y 20 niveles verticales podr tener 180x360x20 = 1,3 106 puntos de rejilla, a en cada una de las cuales estn denidas 7 variables, con lo que tendr a amos aproximada7 grados de libertad. Para un rango temporal de 3 horas, existen normalmente mente 10 entre 104 y 105 observaciones de la atmsfera, dos rdenes de magnitud menor que el o o nmero de grados de libertad del modelo. Ms an, la distribucin espacial y temporal u a u o de las observaciones no es uniforme, existiendo regiones en Eurasia y Norteamrica con e muchos datos, y regiones en el Hemisferio Sur con pocos datos. Por tanto, se hace necesario usar informacin adicional (llamado fondo, rst-guess o informacin a priori) para o o Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 41
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal preparar las condiciones iniciales de la prediccin. o Para los modelos globales, el rst-guess es la prediccin del modelo a las 6 horas, xp . o Para su obtencin la prediccin del modelo es interpolada a los puntos de observacin o o o y si son diferentes, convertidos a variables observadas y o (como por ejemplo radaciones recibidas por los satlites o reectividades de los radares). El rst-guess de las obsere vaciones ser por tanto H(xp ). Las diferencias entre las observaciones y el rst-guess a yo H(xp ) son los incrementos observacionales o mejoras, y el anlisis xo se obtiene a aadiendo las mejoras al rst-guess del modelo con unos pesos W que son determinados n en base a las covarianzas de los errores estad sticos de la prediccin y observacin: o o xo = xp + W [yo H(xp )] Todo el proceso de asimilacin de datos viene esquematizado en la gura 4.1 o (4.11)
Figura 4.1: Proceso de asimilacin para la obtencin de las condiciones iniciales. o o A pesar de que el constante incremento de la capacidad de clculo permite integrar a modelos numricos cada vez con ms resolucin, existen muchos procesos atmosfricos e a o e que no pueden ser resueltos a la escala que se utiliza en los modelos. Por tanto, estos procesos no estn contemplados en las ecuaciones de los modelos que se usan y se a vuelven importantes en escalas espaciales pequeas (por debajo de las decenas de km). n En cambio, la exclusin de estos procesos de los modelos a gran escala puede inducir a o resultados completamente diferentes en predicciones con un horizonte temporal superior Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 42
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal a dos d Por esta razn, la interaccin entre escalas no puede ser ignorada por los moas. o o delos y se recurre a la parametrizacin. As se hace necesario aadir trminos adicionales o n e a las ecuaciones (fuentes y sumideros) para tener en cuenta estos fenmenos. Es decir, o la parametrizacin consiste en reformular a gran escala los efectos de pequea escala. o n
4.3.
Modelos Globales
Los modelos globales se integran sobre todo el globo por lo que su tratamiento numrie co se realiza en coordenadas esfricas. Por tanto, la resolucin horizontal de estos modelos e o viene caracterizada por el nmero de modos esfricos que se consideren en el desarrollo u e de las soluciones de las ecuaciones diferenciales en derivadas parciales planteadas. El desarrollo de la solucin en armnicos esfricos es anlogo en una geometr esfrica al o o e a a e desarrollo de series de Fourier para la solucin de ecuaciones diferenciales en derivadas o parciales. Este truncamiento tambin inuir en la resolucin vertical que deber ser e a o a consistente con la resolucin espacial y temporal. o
Figura 4.2: Mallado esfrico en modelo global. e Dada su escasa resolucin espacial, estos modelos utilizan la aproximacin hidrosttio o a ca de la atmsfera. o Dos de los modelos globales ms usados son el IFS, Integrated Forecast System de a ECMWF (European Centre for Medium-Range Weather Forecasts) y el GFS Global Forecast System corrido por NOAA (National Oceanic and Atmospheric Administration).
4.3.1.
GFS
El GFS es un modelo de prediccin numrica global ejecutado por NOAA. Este o e modelo matemtico se corre cuatro veces al d a las 00, 06, 12 y 18 GMT. Produce a a: predicciones hasta 16 d posteriores. El modelo es corrido en dos etapas: la primera as tiene una elevada resolucin y naliza a las 180 horas (7 d o as), siendo la resolucin de o 27km; la segunda parte corre desde las 180 horas hasta las 384 (16 d en una resolucin as) o menor, de 70km. Verticalmente, divide la atmsfera en 64 capas. Realiza una prediccin o o para cada 3 horas. Se suele aceptar que ms alla de 7 d la prediccin es muy general a as o
43
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal y no muy precisa, y la mayor de las agencias no gubernamentales rara vez usan los a resultados del modelo ms all de 10 d (sobretodo porque no hay ningn otro modelo a a as u de prediccin de 16 d con el que comparar). o as
4.4.
Modelos Regionales
Una solucin para aumentar la resolucin del modelo sin incrementar el coste compuo o tacional es considerar rejillas limitadas a zonas geogrcas de especial inters. Debido a a e su mayor resolucin, los modelos regionales tienen una mayor exactitud para reproducir o fenmenos de pequea escala como las tormentas, y tambin tienen mejores forzamientos o n e orogrcos que los modelos globales. A pesar de que estos modelos han utilizado histria o camente la aproximacin hidrosttica de la atmsfera, la tendencia actual es utilizar o a o modelos no hidrostticos en este tipo de predicciones. Por otro lado, al no ser globales, a estos modelos tienen la desventaja de que aparte de las condiciones iniciales, requieren condiciones de contorno en las fronteras del dominio. Estas condiciones de contorno necesitan ser lo ms precisas posibles y por ello se toman interpolando la salida de un modelo a global. Normalmente las condiciones de contorno se actualizan durante el transcurso de la prediccin para imponer sobre el modelo regional la dinmica simulada por el modelo o a global.
Figura 4.3: Modelo regional de Europa (izquierda) y su orograf correspondiente (derea cha).
4.5.
Modelos Mesoscalares
Ms recientemente, la resolucin de algunos modelos regionales ha aumentado hasta a o llegar a unos pocos kilmetros, con objeto de mejorar la resolucin de fenmenos cono o o vectivos locales (tormentas) y otros procesos f sicos de pequea escala. Dada su escasa n resolucin horizontal, la formulacin de estos modelos suele darse en coordenadas carteo o sianas y no suelen usar la aproximacin hidrosttica, la cual deja de tener validez para o a escalas horizontales menores de 10 km. Algunos de los modelos mesoscalares ms famosos son ARPS (Advanced Regional a Prediction System), MM5 (Penn State / NCAR Mesoscale Model, Version 5 ), RSM (NCEP Regional Spectral Model ) y el que va a ser utilizado en el presento proyecto, WRF (Weather Research and Forecasting Model ). Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 44
4.6.
WRF
El WRF es un modelo numrico mesoscalar diseado tanto para prediccin como e n o para la simulacin y estudio de la atmsfera. Puede ser utilizado para multitud de aplio o caciones y diferentes escalas desde metros hasta cientos de kilmetros. o Est compuesto por diferentes programas: a
4.6.1.
WPS
El Sistema de Preprocesamiento del WRF (WPS ) es un grupo de 3 programas cuyo objetivo en conjunto es preparar las entradas para luego ser simuladas en tiempo real en el programa real. Cada uno de ellos realiza una funcin que viene reejada en el diagrama o de ujo de datos de la gura 4.4.
Figura 4.4: Esquema del WPS. Cada uno de los programas del WPS lee los parmetros de un archivo que tiene a diferentes registros para cada uno de los programas y uno comn a todos que dene u parmetros que son usados por ms de un programa del WPS. Este archivo es namea a list.wps. Funcion de cada programa del WPS geogrid : su propsito es denir los dominios de simulacin e interpolar diferentes o o sets de datos terrestres para el mallado de los modelos. Adems de computar la a latitud y longitud en cada punto del mallado, geogrid interpolar categor de a as suelos, categor de uso de la tierra, elevacin del terreno, temperatura media as o anual del suelo, fraccin mensual de vegetacin y albedo mensual. o o
45
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal ungrib: su propsito es leer archivos formato GRIB y transformarlos a otro tipo o de formato ms simple. GRIB es el formato de archivo usado por los distintos a insitutos meteorolgicos del mundo para almacenar informacin de los histricos y o o o predicciones realizadas. En este caso los datos GRIB procedern de las salidas del a GFS como ya ha sido explicado. metgrid : interpola horizontalmente los datos que han sido tratados por ungrib a los dominios de simulacin denidos por el programa geogrid. La salida interpolada o de metgrid ser recibida por el programa real. a Parametros del WPS (namelist.wps) En el anexo A se muestra el archivo del cual lee los parmetros el WPS explicndose a a el signicado de alguno de estos parmetros y cul han sido los valores tomados en la a a simulacin realizada. o & share max dom: en algunos casos, se dene un anidamiento de rejillas de tamao den creciente y resolucin creciente y las integraciones se realizan de forma anidada o aprovechando las salidas de una rejilla como condiciones de contorno de la siguiente. Este parmetro indicar el nmero de anidamientos. El nmero elegido es 1, es a a u u decir, sin ningn anidamiento. u start date & end date: indican las fechas de inicio y n de la simulacin. Las fechas o elegidas de inicio son el primer instante de cada mes, siendo las de n justo un mes posterior. Esto ha sido congurado as dado el gran coste de memoria que tiene el WRF. Cmo ha sido implementado esto para que fuera un proceso continuo se o explicar en el siguiente cap a tulo. interval seconds: es el tiempo cada cunto toma unos valores para las condiciones a iniciales y de contorno y proseguir con la simulacin. El valor seleccionado ha sido o 3600. io form geogrid : es el formato de archivo en el cual se escribirn los archivos creados a por geogrid. El valor elegido fue 2, lo cual quiere decir que los archivos sern escritos a en formato NetCDF(.nc). & geogrid dx : especica la resolucin del mallado en la direccin segn el eje x. El valor viene o o u dado en metros. Se ha tomado 5000 como valor. dy: especica la resolucin del mallado en la direccin segn el eje y. El valor viene o o u dado en metros. Se ha tomado 5000 como valor. map proj : designa el tipo de proyeccin que usa el modelo. Es decir, la topograf o a ha sido recreada a partir de datos de satlite y esta requiere de una correccin. El e o modelo que se usa para ello es el Lambertiano (lambert). ref lat: latitud del emplazamiento entorno al cual se quiere realizar la simulacin o (40.4528). Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 46
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal ref lon: longitud del emplazamiento entorno al cual se quiere realizar la simulacin o (-3.7242). true lat1 : primera latitud sobre la cual se realizar la proyeccin del modelo. Se a o o (45.4528). ha tomado el valor de la latitud del emplazamiento ms 5 a true lat2 : segunda latitud sobre la cual se realizar la proyeccin del modelo. Se a o ha tomado el valor de la latitud del emplazamiento menos 5o (35.4528).
4.6.2.
WRF
El WRF tiene dos tipos de simulaciones que puede realizar, tomando una condicin o ideal o una real. En el caso de este proyecto se deseaba obtener una simulacin real por lo o que se utiliz el programa real. Este lee los datos del archivo (namelist), reserva espacio, o interpola verticalmente las variables atmosfricas y chequea que todas las condiciones e del suelo, como el tipo, uso, temperatura y temperatura del mar sean consistentes unas con otras. Posteriormente se ejecuta wrf que es el programa encargado de la resolucin numrica o e de las ecuaciones. Parametros del WRF (namelist.input) Anlogamente al WPS, el WRF se controla mediante un archivo que contiene los a parmetros de simulacin. La mayor de los parmetros han sido los que vienen proa o a a puestos en [7]. Dado el elevado nmero de parmetros, se va optar por solamente entrar u a a explicar los ms signicativos. El contenido del chero se puede ver en el anexo B. a & share run days: tiempo de simulacin en d Se ha tomado el valor mximo por mes, o as. a es decir, 31. run hours: tiempo de simulacin en horas. Si es ms de un d uno puede optar o a a por poner 36 horas o 1 d y 12 horas. Los siguientes dos son el mismo caso pero a para minutos y segundos. Los siguientes doce start & end indican la fecha de comienzo y n de una simulacin. De acuerdo con lo explicado en la seccin anterior esa diferencia ser de un o o a mes. interval seconds: tiempo cada cuanto recibe una condicin de contorno. o & domain, & physics time step: intervalo de tiempo (segundos) cada cunto realiza la integracin de las a o ecuaciones diferenciales. Estas se realizan cada 30 segundos. num metgrid levels: nmero de niveles verticales en los datos de entrada. Se opt por u o un modelo con 27 niveles. num metgrid soil levels: nmero de niveles de tierra del modelo de entrada. Este u tiene 4 niveles a partir del ao 2005. n Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 47
4.6.3.
NetCDF y NCL
El formato de salida del WRF elegido es NetCDF. NetCDF (Network Common Data Format) fue creado como formato estndar para ser usado en algunos softwares ofrecidos a a la comunidad cient ca. La caracter stica de este formato es que contiene la suciente informacin para poder saber qu clase de datos se encuentran en el archivo (tipo de o e variable, unidades, dimensiones, institucin que la cre, etc) a diferencia de otros foro o matos que necesitan de un archivo adicional para su correcta interpretacin. Tambin o e se puede contar como otra de sus caracter sticas la portabilidad de su formato, es decir, que puede ser manipulado por cualquier computadora que tenga las librer NetCDF as instaladas en su disco duro. Para escribir las salidas del WRF (NetCDF) a un formato con el que se pueda trabajar (i.e, ascii) se ha usado NCL (NCAR command language). NCL es un lenguaje diseado especicamente para anlisis y visualizacin de datos cient n a o cos. Cmo ha sido o implementado esto se ver en el prximo cap a o tulo.
4.6.4.
Qcloud
Mediante el WRF se obtienen archivos en formato NetCDF que posteriormente mediante NCL sern escritos en formato ascii. Las salidas son presin, temperatura, humea o dad relativa, componentes del viento segn el eje de coordenadas del modelo y Qcloud. u Qcloud es la cantidad de vapor de agua que se puede encontrar en las nubes. Sus unidades son gramos de vapor por kilogramo de aire. Para determinar el ndice de nubosidad se establece que el umbral de qcloud a partir del cual se puede armar la presencia de una nube es 1023 [8]. Con la conguracin eleo gida WRF da la salida en 27 niveles de altura. Por cada punto del mallado se analizarn a los 27 niveles y si en alguno de ellos se encuentra algn valor mayor que el umbral, dicho u punto en el mallado tomar un valor 1. Realizando este proceso para todos los puntos a nalmente se calcular un a ndice de nubosidad medio para toda la regin de la malla. o
4.6.5.
Validacion de resultados obtenidos
Finalmente, para terminar con este cap tulo, esta subseccin pretende mostrar al o lector la abilidad de algunos de los valores que pueden llegar a ser obtenidos mediante el WRF. La comparacin realizada ha sido con los datos medidos en una estacin meo o teorolgica en Ramgarh, India y los de un estudio de recurso solar llevado a cabo all o . En la gura 4.5 se puede observar que la exactitud en los datos obtenidos para la presin es mayor que los obtenidos para temperatura y humedad relativa siguiendo ese o orden, siendo esta ultima variable la que mayor error presenta. Esta informacin ser tenida en cuenta a la hora de seleccionar las entradas de la red o a neuronal.
48
Figura 4.5: Diagramas de dispersin de variables meteorolgicas estimadas y medidas. o o
49
Cap tulo 5
Redes neuronales artificiales

Las redes neuronales son herramientas de modelado muy usadas en nuestros d as debido a su gran utilidad. La idea de investigar las redes neuronales surgi con el n de o desarrollar sistemas con capacidad de aprendizaje pero que a diferencia de los sistemas inteligentes tradicionales basados en reglas, probabilidad, etc, fueran basados en la biolog a. Son herramientas capaces de capturar complejas relaciones entre entradas y salidas. Para esto a lo largo de los aos se han desarrollado multitud de tcnicas estad n e sticas. La principal ventaja de stas frente a otros mtodos se aprecia en problemas no lineales que e e en ocasiones vienen acompaados de una elevada dimensin; cuando es dif entender n o cil qu es lo que realmente se est intentando de resolver. As es frecuente leer que una red e a , neuronal es una caja negra, ya que realmente no se conoce que est ocurriendo en su a interior. Las redes neuronales han sido utilizadas ampliamente en diferentes aplicaciones tanto en mbito militar como comercial. Por citar algunas de las comerciales: a Medio ambiente: prediccin meteorolgica. Es nuestro caso en cuestin. o o o Econom previsin de los precios de mercado. a: o Biolog en estudios sobre el comportamiento del cerebro humano. a: En este cap tulo primero se ha realizado un acercamiento al lector a las redes neuronales, de manera que conozca brevemente como se han ido desarrollando histricamente. o Posteriormente se ha procedido a explicar brevemente el funcionamiento de las redes neuronales biolgicas para despus entrar de lleno a detallar el modelo matemtico que o e a esconde una red neuronal articial basado en el trabajo de J.M Gutirrez et al. [9]. e
5.1.
Antecedentes
La investigacin de redes neuronales ha sufrido tres periodos de intensa actividad. El o primer pico fue en los aos 40 debido al trabajo de McCulloch y Pitts [10], en el que desan rrollaron el comportamiento del cerebro humano estableciendo un modelo matemtico a anlogo a l. En los aos 60 Rosenblatt [11] desarroll el concepto de perceptrn realia e n o o zando un anlisis matmatico sobre su convergencia. En cambio, Minsky y Papert [12] a e 51
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal con su publicacin en 1969 en la que realizaban una cr o tica sobre las limitaciones del perceptrn fren drsticamente la investigacin en este campo durante los aos 70. A o o a o n partir de los aos 80 resurgi el inters por el estudio de redes neuronales articiales. A n o e partir de entonces se consiguieron ciertos hitos que aanzaron el inters por esta materia e en la comunidad cient ca. Algunos de ellos fueron la creacin de la red de Hopeld [13] o y el desarrollo del algoritmo back-propagation para perceptrones multi-capa.
5.2.
Redes neuronales
Mucho queda por investigar para conocer mejor el comportamiento del cerebro y sistema nervioso. La unidad fundamental es la neurona. Estas se unen unas con otras formando redes. De hecho, el cerebro humano de media tiene unos cien mil millones de neuronas. Se componen de un ncleo, un cuerpo celular, de un axn, que es una u o ramicacin de salida de la neurona y de un conjunto de partes laminosas de entrada o llamadas dendritas. Las neuronas transmiten informacin de unas a otras mediante la o sinapsis. Esta es la zona de contacto entre las neuronas. La neurona trasmisora emite una seal electro-qu n mica que genera la segregacin de un tipo de prote o nas (neurotransmisores) que se depositan en el espacio sinptico y provocan la excitacin o inhibicin a o o de la neurona contigua.
Figura 5.1: Conjunto de neuronas y sinapsis.
52
5.3.
5.3.1.
Redes Neuronales Artificiales

Estructura
De igual manera que la estructura del cerebro de un ser vivo, los modelos computacionales de redes neuronales estn compuestos de un gran nmero de unidades simples de a u proceso (perceptrones o neuronas) conectados entre s en base a una topolog denida. a Para el presente proyecto se ha utilizado una red multicapa (feedforward ). La gura 5.2 muestra un esquema de una red neuronal de este tipo:
Figura 5.2: Esquema redes multicapa. Las redes neuronales articiales han de tener como m nimo una capa de entrada con tantos perceptrones en ella como entradas se quiera tener, y una capa de salida. Entre estas dos puede haber cualquier nmero de capas intermedias con tantos perceptrones u por capa como se desee. Aqu se encuentra uno de los pequeos inconvenientes que se n hallan al trabajar con redes neuronales. Cuntas capas y perceptrones elegir? Se ha a comprobado que en general con una o dos capas es suciente [14]. No se obtienen mejores resultados por introducir un mayor nmero de capas. u
5.3.2.
El perceptron
El perceptrn es la unidad bsica de la estructura. Emula el comportamiento est o a mulorespuesta de la biolog cuando el est a: mulo es superior a un cierto umbral entonces el perceptrn emite un impulso y si no queda en reposo. Para ello se calcula la suma pono derada de las entradas mediante unos pesos. El valor obtenido es usado como variable independiente de una funcin de activacin para obtener el valor de salida. Esto se puede o o expresar matemticamente como viene reejado en la ecuacin 5.1 a o
n
yi = f (
j=1
wij xj i )
(5.1)
donde f () es la denominada funcin de activacin y i es el bias o umbral de activao o cin del perceptrn. o o Tal y como se ha dicho, el perceptrn est constituido en parte por una funcin o a o de activacin escaln. Esto puede verse como hiperplano de decisin en un espacio no o o dimensional. Es decir, devolver 1 como si la instancia est a un lado del plano y -1 si a a Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 53
Figura 5.3: Esquema de un perceptrn. o est en el otro (tomando 1 o 1 como posibles valores de salida) [15]. No siempre es a posible separar las instancias positivas y negativas; en los casos en que s es denominada linealmente separable.
Figura 5.4: Conjuntos separable y no separable linealmente respectivamente. Un slo perceptrn puede emular a muchas funciones booleanas bsicas. Por ejemplo, o o a los perceptrones pueden representar las funciones booleanas AND, OR , NAND o NOR. En cambio la funcion XOR (verdadera solamente si A = B) no puede ser representada por un unico perceptrn [15] (ver gura 5.5). o
Figura 5.5: Plano de decisin AND lgico (izquierda) y XOR lgico (derecha). o o o Mediante la creacin de una red de perceptrones se podr representar cualquier o a funcin booleana. De hecho, esto se podr realizar sin necesitar ms de dos niveles de o a a profundidad, es decir, mediante una sola capa entre la de entrada y de salida. Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 54
5.3.3.
Entrenamiento y validacion
Como se ha explicado las redes neuronales aprenden a partir de un conjunto de datos de entrenamiento. El entrenamiento puede ser de dos tipos: Aprendizaje supervisado: se realiza un aprendizaje supervisado cuando estn disa ponibles un conjunto de patrones para el entrenamiento, de tal manera que a cada entrada le corresponde una salida. El entrenamiento se basa en que la red pueda reproducir estos patrones de la manera ms exacta posible. Desde un punto de visa ta estad stico esto se puede ver como una generalizacin de la regresin no lineal. o o En denitiva el problema se reduce a obtener los pesos apropiados utilizando algn u algoritmo de aprendizaje adecuado. Aprendizaje no supervisado: en el aprendizaje no supervisado se conocen los patrones de entrada pero no los de las salidas. En consecuencia, la red se autoorganizar con el n de hallar las salidas ptimas para cada entrada (usando algn a o u criterio determinado como puede ser maximizacin de la entrop a la salida, etc). o a Por tanto, este tipo de redes se usa generalmente en problemas de agrupamiento, representando a cada grupo cada una de las neuronas de salida. La red distribuir los patrones de entrenamiento entre los grupos de forma automtica. a a Las redes multicapa se utilizan en problemas de aprendizaje supervisado. Una vez nalizado el entrenamiento, es decir, los pesos hayan sido ya determinados, se realiza la comprobacin de la calidad de este modelo. Una medida en el caso de aprendizaje o supervisado es calculndose el error entre los valores objetivo y los que han sido obtenidos a mediante la red. T picamente son usados: La suma de los cuadrados de los errores,
a
||yp yp ||2
p=1
(5.2)
La ra cuadrada del error cuadrtico medio, z a

a
||yp yp ||2 /n
p=1
(5.3)
El error mximo, a
p=1,...,a
mx ||yp yp || a
(5.4)
Es recomendable realizar tambin una validacin cruzada para comprobar si el moe o delo es capaz de generalizar respecto a otras entradas que se le introduzcan. Es decir, la capacidad que tiene de reproducir nuevos patrones del problema, sin que hayan sido ya utilizados en el proceso de aprendizaje. De este modo, los datos disponibles se debern dividir en dos conjuntos: uno destinado al entrenamiento de la red y otro a la a validacin. Si el error de validacin fuera signicativamente mayor que el error de eno o trenamiento, estar amos ante un problema de sobreajuste durante el aprendizaje, lo que signicar que el nmero de parmetros elegidos es excesivo. Todo esto signicar que a u a a el modelo simplemente est memorizando los datos que se le han introducido. a Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 55
5.3.4.
Regla del gradiente y regla Delta
Para conseguir que este tipo de redes realicen su aprendizaje, es decir, para determinar los pesos que minimizan una funcin de error se usan mtodos de optimizacin o e o matemtica. Los algoritmos de aprendizaje ms usados tratan de minimizar la suma de a a los cuadrados de los errores:
E() =
j,p
(yjp yjp )2 =
p
||yp yp || (5.5) ||yp f ( T xp )||

p
=
j,p
(yjp f (
i
ji xip ))2 =
Al no ser esta funcin lineal, no hay mtodo alguno para obtener una solucin exacta. o e o Uno de los algoritmos de optimizacin ms simples y que fue el que originalmente usaban o a las primeras redes neuronales feedforward para este problema es el mtodo del descenso e de gradiente, tambin conocido como regla delta. Este algoritmo trata de modicar ine crementalmente los pesos de forma iterativa, de tal manera que el error vaya siendo ms a pequeo, siendo los pesos iniciales tomados aleatoriamente. El incremento de los pesos se n obtiene a partir de los vectores del opuesto del gradiente de la funcin de error respecto o de los pesos, es decir, cuando la funcin de error decrece con mayor rapidez. En cada o iteracin cada peso ser modicado mediante una variacin proporcional al gradiente o a o del error: E() = ji yjp ji (5.6) ji xip )xip
i
ji = =
(yjp yjp )
p
(yjp yjp )f (
p
donde es la tasa de aprendizaje. Esta es una constante positiva cuya funcin es moderar o la cantidad de variacin de los pesos entre los distintos pasos. o
5.3.5.
Funciones de activacion derivables
El mtodo del decrecimiento del gradiente, como su nombre indica, busca el m e nimo de la funcin del error en el espacio de los pesos mediante el clculo del gradiente de o a dicha funcin. La combinacin de estos que la minimiza es considerada como la solucin o o o del algoritmo de aprendizaje. Para ello se usa un gradiente y en consecuencia hay que exigirle a la funcin que sea continua y derivable; una funcin de activacin derivable o o o hace que la funcin del error sea tambin derivable. o e Las funciones de activacin ms usadas son: o a Funciones sigmoidales: Se trata de funciones montonas acotadas que dan una o salida no lineal gradual. Dentro de este tipo las ms populares son: a
56
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Log stica, cuyo rango abarca de 0 a 1 fc (x) = 1 1 + ecx (5.7)
Tangente hiperblica, su rango va de -1 a 1. o
Figura 5.6: Funcin de activacin log o o stica (izquierda) y tangente hiperblica (derecha). o Funciones ncleo: se localizan alrededor de un punto. Un ejemplo de ella es la u distribucin Gaussiana. o
Figura 5.7: Funciones de activacin gaussianas. o Funciones lineales: dan una salida lineal con un rango innito. f (x) = x (5.8)
Las derivadas de algunas funciones de activacin pueden ser denidas en trminos o e de sus primitivas. Por ejemplo: f (s) = 1 es = = f (s) = c f (s)(1 f (s)) 1 + ecs (1 + es )2
Otra funcin que puede ser denida en trminos de s misma: o e f (s) = tanh(cs) = f (s) c f (s)(1 f (s)2 ) Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 57
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Si la funcin de activacin es lineal (f (s) = s), las salidas ser una combinacin o o an o lineal de las entradas y la variacin de los pesos en cada paso ser o a: ji = E = ji (yjp yjp )xip
p
(5.9)
dando la solucin global del problema lineal. Por lo tanto no ser necesario realizar o a una metodolog iterativa sino una tcnica de optimizacin lineal. El modelo resultante a e o es anlogo a un modelo de regresin lineal, siendo los pesos de la red sus parmetros. a o a
5.3.6.
Redes Multicapa
Los nodos de la capa de entrada alimentan la red hacia la siguiente capa oculta cuyas salidas continuarn este proceso hasta la salida. Generalmente se indica la topolog de a a la red empleando el nmero de neuronas en cada capa. u
Figura 5.8: Red multicapa de topolog 4:4:2. a En este caso para cada una de las salidas, la red de dos capas (una oculta y otra de salida, ya que la de entrada nunca se cuenta) calcula las salida yj de la forma: yj = f (
k
jk f (
i
ki xi ))
(5.10)
Las redes de una capa pueden considerarse como modelos de regresin lineal y log o stica bastante sencillo y poco utiles. En cambio, el aadir capas ocultas da lugar a modelos n que pueden considerarse no paramtricos de regresin no lineal. Sin embargo, el diseo e o n de este tipo de modelos resulta a veces problemtico dado que no hay ninguna regla a orientativa sobre el nmero de capas ptimo y el nmero de capas que ha de haber en u o u cada una en un problema dado. Cuando el diseo ya ha sido elegido, se proceder a realizar el aprendizaje, usando n a un mtodo de optimizacin. El ms popular es el el conocido como retro-propagacin e o a o o backprogagation y est basado en el mtodo del descenso de gradiente explicado con a e anterioridad.
5.3.7.
Metodo Backpropagation
Dados un conjunto de entradas (x1p , x2p , ..., xm p) y salidas (y1p , y2p , ..., ym p) siendo p = 1, ..., a usados como patrones de entrenamiento se tratar de minimizar el error a
58
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal cuadrtico total: a
E(, ) =
j,p
(yjp f (
k
jk hkp ))2 jk f (
k i
=
j,p
(yjp f (
ki xip )))2
(5.11)
=
p
||yp f ( T f (T xp ))||
donde contiene las columnas de los vectores de pesos de la neurona j-sima de la e capa de salida, mientras que los de la k-sima neurona de la capa oculta. e En el backpropagation los pesos son modicados incrementalmente de manera proporcional al gradiente de la funcin de error: o jk = E E ; ki = jk ki (5.12)
donde el trmino es la tasa de aprendizaje y podr ser diferente para ambos cone a juntos de pesos. Dado que ahora la expresin para el error depende tanto de los pesos de neuronas o ocultas como de los de las de salida la modicacin de los valores de los pesos no resulo tar tan sencilla como cuando hay una capa. Los pasos del algoritmo se pueden enumerar a de la siguiente manera. 1. Se inician los pesos con valores aleatorios. 2. Se eligir un patrn de entrenamiento y ser propagado hacia adelante obteniendo a o a p e yp para las neuronas de capas ocultas y de salida respectivamente. los valores h 3. Se calcular el error relativo a las unidades de salida.: a
T jp = (yjp yjp ) f (j hp )
4. Se calcular el error relativo a las capas ocultas: a jp =

k T jp jk f (k xp )
5. Se obtendrn los incrementos de los pesos: a jk = jp hkp ki =

j
xip jp jp
6. Este proceso se repetir para cada patrn de entrenamiento. a o
59
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Este mtodo ha resultado no ser muy eciente por lo que multitud de mejoras han sido e propuestas [14]. Tambin se ha optado por el uso de mtodos alternativos, cambiando e e el descenso de gradiente por otras tcnicas. Uno que es ampliamente usado en todos e los softwares para la creacin de redes neuronales es el Levenberg-Marquardt. La red o fue implementada usando el Toolbox de Matlab que usa este algoritmo por defecto. Fue desarrollado a partir del mtodo de Gauss-Newton y por ello se explicar este antes. e a
5.3.8.
Metodo Gauss-Newton
El mtodo Gauss-Newton es una modicacin del mtodo de Newton. Consiste en e o e encontrar el m nimo de una funcin mediante la bsqueda de los ceros de su derivada. o u Realizando una linearizacin de segundo orden y teniendo en cuenta un caso multidio mensional: 1 T E( + ) E() + JE() + T HE() 2 (5.13)
T donde JE() y HE() denotan el Jacobiano y la matriz Hessiana respectivamente.
Derivando para encontrar el m nimo se obtiene que la direccin en la que se produo cirn los incrementos de los pesos es: a
1 T = HE() JE()
(5.14)
El clculo de la inversa de la matriz Hessiana es muy costoso. Realizando una lia nearizacin y despreciando los trminos de segundo orden se puede aproximar la matriz o e Hessiana como el producto escalar del Jacobiano. Finalmente se obtiene:
T = [JE() JE() ] 1
JE()
(5.15)
5.3.9.
Metodo Levenberg-Marquadt
El algoritmo Levenberg-Marquardt surge de realizar una modicacin del mtodo o e de Gauss-Newton. Consiste en aadir un trmino de regularizacin en el mtodo de n e o e Gauss-Newton llamado parmetro de Marquardt. a
T = [JE() JE() + I] 1
JE()
(5.16)
Este mtodo resulta ser una interpolacin de los dos anteriores en funcin del valor e o o que tome el parmetro de Marquardt. As ana las mejores propiedades de los dos. a , u Cuando la solucin en la iteracin presente se aleja de la solucin buscada el algoritmo se o o o comporta como el descenso de gradiente, es decir, lento pero garantiza la convergencia a una solucin. El parmetro de Marquardt toma valores elevados en este caso. En cambio, o a cuando est prxima a la solucin buscada se convierte en el mtodo de Gauss-Newton, a o o e alcanzando una solucin en un nmero mucho menor de iteraciones, tomando un valor o u nulo el trmino de regularizacin. e o
60
Cap tulo 6
Desarrollo del proyecto

En este cap tulo se relata el proceso que ha sido seguido, desde la obtencin de datos o hasta las pruebas realizadas en la parametrizacin de la red neuronal, explicndose esto o a en sendas secciones. Adems, un breve anlisis de los datos obtenidos ha sido llevado a a a cabo y usado en el diseo de la red. Finalmente, se ha realizado un resumen y estudio n de los resultados.
6.1.
Obtencion de datos
Como ha sido explicado en la introduccin, lo primero a efectuar en el desarrollo del o proyecto fue correr la simulacin del WRF. o La parametrizacin del WRF viene dada en los cheros namelist.input y nameo list.wps, explicados en el cap tulo 4. Para controlar estos cheros y hacer posible la simulacin de manera continua mediante el copiado de archivos, han sido usados archio vos creados en Bash scripting de Linux y en NCL para extraer los valores de los archivos de salida del WRF. Como ya ha sido dicho, los datos obtenidos para realizar el experimento son de Ciudad Universitaria en Madrid, con coordenadas 40.4528o Norte y 3.7242o Oeste. El WRF fue congurado con estas coordenadas y ejecutado. La duracin de la simulacin ha sido de dos d o o as. Tal y como est congurado el WRF las salidas vienen dadas en una estructura de a carpetas creada mediante los cheros de Bash scripting. Dicha estructura de carpetas contiene una por mes y d de ste. Dentro de cada carpeta se encuentran los cheros de a e texto con los resultados. Se escribe un chero por cada variable y hora del d Los datos a. meteorolgicos obtenidos son cantidad de vapor de agua en las nubes (Qcloud), presin, o o temperatura, humedad relativa y las componentes del viento dadas segn el sistema de u coordenadas del modelo, adems de sendos cheros con las correspondiente coordenadas a de latitud y longitud (lat.txt y lon.txt) (ver gura 6.3).
61
Figura 6.1: Esquema de carpetas con el que se ha trabajado (meses).
Figura 6.2: Esquema de carpetas con el que se ha trabajado (d del mes). as
Figura 6.3: Archivos de texto con los valores obtenidos del WRF. Cada uno contendr 196 valores escritos en columna exceptuando los de Qcloud que a al tener 27 niveles contendr 5292 valores. a Para extraer los datos de los archivos se ha utilizado una funcin programada en o Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 62
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Matlab. Esta obtiene el punto ms prximo a la ubicacin de inters mediante la carga a o o e de los cheros lat.txt y lon.txt. El criterio usado para determinar la ubicacin ms cercana o a es seleccionar la que reduzca la distancia euclidiana con respecto a las coordenadas dadas (ver guras 6.4 y 6.6).
Figura 6.4: Mallado del WRF y punto seleccionado. Una vez elegido el punto, con el n de obtener un valor ms preciso al real, se calcula a la media de los puntos ms cercanos, ya que es sabido que el orden del mallado del WRF a es siempre de la siguiente forma:
Figura 6.5: Mallado del WRF.
63
Figura 6.6: Mallado del WRF y puntos ms cercanos. a El procedimiento para el clculo del a ndice de nubosidad sigue lo explicado en el apartado 4.6.4. El siguiente paso en la funcin es correr la rutina de posicin solar para pasar a o o calcular la DNI mediante el MRM. Como se ha explicado en la seccin 3.16 los datos para el parmetro son obtenidos a o a partir de los datos suministrados por Globaerosol. En concreto, los valores ms prximos a o para la ubicacin de Ciudad Universitaria se muestran en el anexo C. o A continuacin se ha obtenido un valor mensual medio del parmetro de turbidez o a para los cinco aos: n Tabla 6.1: Parmetros de turbidez medios mensuales. a Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Beta 0.040 0.031 0.021 0.021 0.023 0.038 0.041 0.038 0.037 0.030 0.027 0.026
Estos valores han sido guardados en una chero de texto para luego ser cargados por Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 64
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal la funcin programada y ser utilizados en el MRM. o Los datos obtenidos para la DNI quedan reejados en las guras 6.7 y 6.8.
Figura 6.7: DNI obtenida a lo largo del ao y diagrama de dispersin frente a datos n o medidos para el ao 2008. n
65
Figura 6.8: DNI obtenida a lo largo del ao y diagrama de dispersin frente a datos n o medidos para el ao 2009. n
66
6.2.
Analisis de datos obtenidos
Con el n de tener alguna idea ms clara de las dependencias y correlaciones de estas a variables entre s se ha realizado un breve estudio previo a la modelizacin de la red. , o Para ello se ha calculado la matriz de coecientes de correlacin mediante Statgraphics. o Las variables expuestas son: temperatura, presin, humedad relativa, Irradiancia Global o Horizontal, Irradiancia Difusa Horizontal, Irradiancia Directa Normal medida, ngulo y a velocidad del viento y variacin de temperatura. o Tabla 6.2: Matriz de correlaciones. T P HR GHI DHI DNI Angulo v. Veloc. v. T T 1 -0,043 -0,811 0,491 0,480 0,487 0,225 -0,004 -0,080 P -0,043 1 0,024 -0,019 -0,051 0,055 -0,303 -0,251 0,0455 HR -0,811 0,024 1 -0,647 -0,627 -0,671 -0,125 -0,003 -0,069 GHI 0,491 -0,019 -0,647 1 0,981 0,867 0,184 -0,059 0,481 DHI 0,480 -0,051 -0,627 0,981 1 0,831 0,203 -0,040 0,474 DNI 0,488 0,055 -0,671 0,867 0,831 1 0,108 -0,114 0,417 Ang. 0,225 0,302 -0,125 0,184 0,203 0,108 1 0,013 0,0193 Vel. -0,004 -0,251 -0,003 -0,059 -0,040 -0,114 0,013 1 -0,181 T -0,080 0,0455 -0,069 0,481 0,474 0,417 0,0193 -0,181 1
Esta matriz nos da informacin acerca de las posible correlaciones lineales entre las o variables. Un valor prximo a 1 indicar una correlacin lineal fuerte positiva y -1 neo a o gativa, es decir, inversamente proporcional. Que las variables no tengan una correlacin o lineal no quiere decir que no exista ninguna relacin entre ellas. o Observando los datos se aprecia un valor signicativo para el coeciente de correlacin entre la humedad relativa y la temperatura. Esto tiene sentido ya que al aumentar o la temperatura disminuye la humedad relativa. La informacin adicional que nos aporta o este anlisis es que es de forma lineal. Otros coecientes de correlacin signicativos son a o los que relacionan las variables de las componentes de la irradiancia lo cual es tambin e lgico. El resto de variables meteorolgicas no presentan ninguna correlacin lineal exo o o cesivamente signicativa con la DNI a priori, lo cual justica el uso de un modelo no lineal como es una red neuronal. En las guras 6.9, 6.10, 6.11, 6.12, 6.13, 6.14, 6.15, 6.16 y 6.17 se muestran algunos grcos de dispersin. En ellas se corrobora lo dicho. De los grcos T-DNI (gura 6.10) a o a y HR-DNI (gura 6.12) s que se aprecia que pueda haber alguna relacin sin que sea o lineal. Por otra parte, del diagrama P-DNI (gura 6.11) a primera vista parece que es constante aunque s que se vislumbran valores bajos de la presin para valores casi o nulos o nulos de DNI lo cual puede explicarse mediante la relacin que tiene la presin o o sobre la nubosidad. Respecto al viento (vase gura 6.14), no es fcil encontrar alguna e a relacin con la velocidad, aunque tal vez s que exista dado que se puede observar que las o mayores velocidades del viento coinciden con valores de DNI medidos casi nulos o nulos. En cuanto a la direccin (vase gura 6.13) no aparece ninguna que sea especialmente o e signicativa. Finalmente, la variacin de temperatura tampoco aparenta relacin alguna o o con la DNI (vese gura 6.17), a excepcin de que existe una menor variabilidad de las a o diferencias de temperatura con valores altos de irradiancia, no existiendo apenas ca das Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 67
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal importantes en los valores de la temperatura.
Figura 6.9: Grco de dispersin temperatura (o C) vs humedad relativa ( %). a o
Figura 6.10: Grco de dispersin temperatura (o C) vs DNI (W/m2 ). a o
68
Figura 6.11: Grco de presin (bar) vs DNI (W/m2 ). a o
Figura 6.12: Grco de dispersin humedad relativa ( %) vs DNI (W/m2 ). a o
69
Figura 6.13: Grco de dispersin ngulo del viento (o ) vs DNI (W/m2 ). a o a
Figura 6.14: Grco de velocidad del viento (m/s) vs DNI (W/m2 ). a
70
Figura 6.15: Grco de dispersin GHI (W/m2 ) vs DNI (W/m2 ). a o
Figura 6.16: Grco de dispersin DHI (W/m2 ) vs DNI (W/m2 ). a o
71
Figura 6.17: Grco de dispersin variacin de temperatura (o C) vs DNI (W/m2 ). a o o
6.3.
Parametrizacion de la red neuronal
Se ha realizado un breve anlisis de los datos obtenidos. Se ha tratado que esta infora macin haya sido usada a la hora de elegir los inputs de la red neuronal. Sin embargo, las o conclusiones que se hayan podido adquirir aqu se habrn de vericar con los resultados a experimentales. Inicialmente se han efectuado varias pruebas para desenvolverse con la red neuronal. Estas no se recogen en este documento, dada su poca relevancia. Para la elaboracin de la red se ha usado el Toolbox de Matlab para redes neuronales. o Antes de comenzar a explicar los experimentos llevados a cabo se realizar una breve a introduccin a dicha herramienta. o Matlab ofrece la posibilidad de realizar los modelos de red mediante un interfaz grco espec a co para cada tarea que se quiera llevar a cabo con el tipo de red neuronal indicada. Tiene adems otro interfaz que permite seleccionar cualquier tipo de red. Por a otra parte, tambin posibilita al usuario implementar la red mediante la programacin de e o scripts y funciones, como ha sido el caso. En ambas opciones, al hacer el entrenamiento otro interfaz grco asiste al modelizador. Aqu se encuentra la informacin del estado a o del entrenamiento. Su apariencia var en funcin del tipo de entrenamiento elegido y a o tipo de red. En el caso en cuestin se entren una red feedforward con el algoritmo o o Levenberg-Marquardt.
72
Figura 6.18: Interfaz de entrenamiento de redes neuronales de Matlab. En la gura 6.18 de arriba a abajo vienen indicados: Neural Network : aqu se indica el nmero de capas y funciones de activacin vienen u o indicados con un esquema en la parte superior. Por defecto Matlab asignar una a funcin de activacin lineal por cada salida que tenga la red, por lo que solo har falo o a ta indicar el nmero de capas ocultas. u Algorithms: se indica de arriba a abajo el algoritmo de entrenamiento (LevenbergMarquardt), el de medida del error (error cuadrtico medio) y para la divisin de a o datos (aleatorio). Progress: Se indican las pocas o iteraciones realizadas siendo el nal de la barra de e progreso el nmero que ha sido indicado por el usuario y el tiempo empleado. u El performance o rendimiento, el cual es una medida de los errores que se cometen con la red.
73
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal El gradiente que no es ms que el gradiente que se est obteniendo en la a a funcin de error. Gradientes pequeos indicarn supercies planas y por lo o n a tanto la convergencia de la red y la obtencin de un m o nimo. El parmetro de Marquardt o Mu que indica si la solucin est convergiendo a o a o no. Como ha sido explicado valores altos el algoritmo ser descenso de a gradiente y valores casi nulos el mtodo de Gauss-Newton. e El nmero de pruebas de validacin cruzada en el que el error de validacin u o o no disminuye junto con el de entrenamiento por lo que la red estar perdiendo a su capacidad de generalizar los problemas. Plots: de arriba a abajo te dan un grco de medida del performance, del estado a del entrenamiento y grcos de regresin (ver guras 6.19, 6.20 y 6.21). a o
Figura 6.19: Grco del performance del entrenamiento en el interfaz de Matlab. a
74
Figura 6.20: Grco del estado de algunos parmetros de entrenamiento en el interfaz a a de Matlab.
Figura 6.21: Grcos de regresin del entrenamiento del interfaz de Matlab. a o Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 75
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal El objetivo de este proyecto no es la parametrizacin de una red neuronal para la o prediccin de la DNI, sino para la correccin de la DNI de un modelo dado (MRM). Por o o ello, la variable fundamental en la entrada de la red es precisamente la DNI del MRM. En las pruebas esta permanecer ja y se tratar de buscar la mejor combinacin del a a o resto. Por ello, ha surgido la idea de inicializar los pesos de la red a dicha variable. Cmo o realizar esto? Matlab permite manipular los pesos de una red. Dado que esta tarea es de cierta complejidad se ha optado por implementar en el script un entrenamiento previo de la red neuronal de tal forma que tomara como patrones de salida los valores de DNI del MRM. Los pesos adoptarn valores adecuados de tal manera que al realizar un segundo a entrenamiento este comenzar desde la DNI estimada para ir ajustndose a la DNI real. a a Esta red previa se denotar de ahora en adelante como red 1. a Matlab usa por defecto la validacin cruzada. Para ello por defecto selecciona un o set de datos de los patrones de entrenamiento y lo utiliza para realizar una prueba de validacin como fue explicado en el apartado 5.3.3. Tambin escoge un set de datos o e de test, es decir, para evalar la capacidad de prediccin del modelo. Las proporciones u o estndard que usa son 15 % para cada uno de estos set de datos siendo el 70 % para el a entrenamiento. La forma en que se escogen los datos de los sets puede ser modicada. As Matlab elige los sets por defecto usando el criterio dividerand que consiste en ele, girlos aleatoriamente. Con el n de que reducir la aleatoriedad de los experimentos, las proporciones de datos para validacin y de test han sido diminuidas a cero. o Lo primero que se ha realizado es la seleccin de los parmetros de entrenamiento o a para la red 1. Se ha buscado un performance muy bueno ya que este es fcil de cona seguir. Por ello se ha impuesto una condicin de parada para el gradiente de 1050 un o valor muy pequeo y por tanto d n cil de alcanzar; el nmero de iteraciones mximas ha u a 5 ya es lo sido 1000. Tras varias pruebas se ha comprobado que un performance de 10 sucientemente bueno para ajustar los pesos a la DNI del MRM y ste es el criterio de e parada que antes es alcanzado por la red 1.
76
Figura 6.22: Grcos de regresin del entrenamiento de la red 1. a o Los valores de -1 y 1 de la gura 6.22 se debe a que los datos a introducir en la red han de estar normalizados, es decir, comprendidos entre los mismos valores mximo y a m nimo. Es muy recomendable llevar a cabo la normalizacin de los datos para conseguir o un entrenamiento ms eciente. a
6.3.1.
Experimentos
A continuacin se detallarn los experimentos llevados a cabo y los resultados obo a tenidos. En ellos se ha usado el 100 % de la muestra para realizar el entrenamiento. Se han entrenado las redes con el ao 2008 y se ha tratado de predecir el 2009. El criterio n para cuanticar el error obtenido al realizar la prediccin del siguiente ao ha sido la o n ra cuadrada del error cuadrtico medio (RMSE). Tambin se ha calculado el sesgo o z a e en ingls Mean Bias Error (MBE), que da una idea de cunto sobreestima o subestima e a de media el valor estimado al valor real. Para referirse a los experimentos con mayor claridad se han denotado con un nmero u seguido de una letra, en funcin de su similitud. o
77
Con el n de facilitar el seguimiento de los experimentos llevados a cabo, se adjunta la tabla 6.3. Tabla 6.3: Experimentos llevados a cabo. Experimento 1A 1B 1C 1D 1E 1F 2A 2B 3A 3B 4A 4B 5A 5B 6A 6B 7A 7B 8A 8B 9A 9B 10A 10B 11A 11B 12A 12B 12C 12D Variables DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora, HR a n DNI, P, T, D del ao, Hora, HR a n DNI, P, T, D del ao, Hora, HR, Vel. viento a n DNI, P, T, D del ao, Hora, HR, Vel. viento a n DNI, P, T, D del ao, Hora, Vel. viento a n DNI, P, T, D del ao, Hora, Vel. viento a n DNI, P, T, D del ao, Hora, Vel. viento, Dir. viento a n DNI, P, T, D del ao, Hora, Vel. viento, Dir. viento a n DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, GHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, GHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, D del ao, Hora a n DNI, P, T, D del ao, Hora a n DNI, P, T, HR, Vel. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o DNI, P, T, HR, Vel. viento, Dir. viento, Elevacin, DHI o 1a capa oculta & 2a 5&0 30 & 0 15 & 0 12 & 3 5&2 5&0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 5&0 15 & 0 12 & 6 20 & 0 10 & 5 15 & 0
En el primer caso se ha utilizado una red neuronal con entradas la DNI, presin, o temperatura, un vector con el d del ao correspondiente y otro con la hora. Este moa n delo base ha sido elegido as debido a que se ha considerado que estas variables son las que mayor informacin poseen y ms able, observados los datos en el apartado 6.2. Se o a ha estimado que los vectores de hora y d del ao son necesarios. a n Esta misma red se prob con diferentes topolog Como ha sido explicado, la vao as. lidacin cruzada ha sido desactivada y el procedimiento ha sido probar cada topolog o a con diferente nmero de iteraciones. En los experimentos 1A, 1B y 1C, se han entrenado u tres redes con dichos inputs y topolog de 5, 15 y 30 perceptrones respectivamente. as
78
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.4: Resultados experimento 1A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 162.0205 159.8797 167.2053 160.8651 169.1081 160.5295 159.7715 158.75431 158.0404 160.45461 157.8008 160.0313 161.9032 159.6482 162.4874 160.7696 159.6637 160.2060 159.6638 160.7992 MBE -14.9518 -15.0123 -15.5117 -14.3716 -16.3387 -12.8579 -13.1789 -12.1801 -11.8645 -14.9144 -10.9597 -14.2675 -12.7452 -12.7452 -13.4899 -10.5179 -13.6530 -10.0800 -12.3632 -10.4345 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
Tabla 6.5: Resultados experimento 1B. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 165.2545 162.8500 162.2107 165.4557 166.3133 169.3058 169.3246 164.4960 165.9702 170.2103 165.6956 171.0032 167.3522 169.3546 169.5830 166.7345 172.4087 171.5560 167.2971 170.3983 MBE -15.3266 -14.3988 -11.9306 -11.3169 -12.6886 -16.0304 -11.9708 -15.7929 -12.6212 -11.9175 -10.3588 -14.4336 -13.0508 -15.9585 -15.5403 -12.1729 -14.8889 -14.5373 -18.3359 -14.8954 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
79
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.6: Resultados experimento 1C. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 159.7888 160.9315 160.0468 159.6783 158.9244 164.4715 162.0864 159.1838 162.2435 162.0315 162.9529 160.7651 161.8795 165.5419 161.97740 159.7795 163.9590 162.5183 161.0477 163.6863 MBE -14.5015 -12.5654 -11.4201 -11.6568 -7.8848 -12.8127 -13.4351 -9.1547 -14.2773 -9.8796 -11.1841 -10.68861 -9.7384 -16.5998 -15.5567 -9.60971 -10.5954 -13.9393 -11.1694 -11.3685 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
Se ha comprobado que 30 perceptrones en una unica capa oculta son demasiados porque la red no mejora la prediccin sino todo lo contrario. Por esta razn no se ha o o vuelto a usar esta topolog en el resto de experimentos. Una segunda capa oculta ha a sido probada: se han efectuado dos pruebas diferentes, una con una topolog 12 y 3 a perceptrones (1D) en las capas ocultas y otra con 5 y 2 (1E) en ese orden.
80
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.7: Resultados experimento 1D. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 160.9873 160.1673 161.4061 161.0965 161.8936 164.2792 167.3246 164.0960 170.0043 169.2103 171.9891 166.6992 168.5639 174.5435 169.5193 170.4858 170.4118 168.3705 165.6025 167.7872 MBE -13.2323 -13.4684 -12.2943 -14.3180 -12.5116 -18.8358 -11.9708 -15.7929 -12.6212 -11.9175 -25.2610 -16.9171 -15.2609 -18.55195 -15.2344 -15.3045 -17.1690 -13.1993 -15.3987 -13.9454 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
Tabla 6.8: Resultados experimento 1E. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 159.3235 158.2978 161.39671 173.1347 164.5493 158.5549 166.1817 159.6675 160.2905 159.1347 159.7293 164.3593 159.7081 158.7461 159.4450 159.7595 158.5193 160.15615 160.7709 160.7173 MBE -12.5142 -12.2759 -19.0764 -22.2280 -12.5327 -12.7187 -18.8751 -13.4181 -11.6202 -12.9635 -13.6116 -11.6568 -14.6582 -14.35355 -13.4784 -16.0789 -12.0076 -13.1693 -12.2250 -14.7494 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
81
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal No se han obtenido unos mejores resultados con dos capas ocultas por lo que a partir de aqu se han utilizado redes de una capa para la prueba de las variables de entrada. El siguiente experimento (1F) ha sido probar el efecto de cambiar la funcin de activacin. o o Anteriormente ha sido usada una tangente sigmoidal, que es la que Matlab utiliza por defecto. La sigmoidal logar tmica ha sido usada en su lugar. Tabla 6.9: Resultados experimento 1F. Prueba 1 2 3 4 5 RMSE 160.2812 159.8768 160.8521 163.5473 160.0404 MBE -11.6654 -13.4453 -14.8018 -17.9323 -9.2907 Iteraciones 20 20 20 20 20
La topolog elegida en el 1F para efectuar la comparacin ha sido de 15 perceptrones. a o Se han llevado a cabo slo las pruebas con 20 iteraciones dado que con este nmero es o u cuando se ha comprobado que sal los mejores resultados (se est comparando respecto an a del experimento 1C). No se han obtenido resultados muy diferentes as que para futuros experimentos se ha continuado usando la tangente sigmoidal. Hay muchas y diferentes funciones de activacin que tal vez pudieran variar los resultados de forma signicativa. o Al no ser este el objetivo del proyecto no se ha realizado un anlisis ms exhaustivo a a sobre ellas. En los siguientes dos experimentos la humedad relativa ha sido aadida a la red. n Se han efectuado las pruebas con la topolog de una red de 5 perceptrones (2A) y 15 a perceptrones (2B) en la capa oculta en ese respectivo orden.
82
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.10: Resultados experimento 2A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 152.7536 150.5327 151.0745 149.3969 148.4034 152.2206 149.3968 146.2937 149.2933 146.8547 150.3144 148.3113 151.5568 148.0337 146.3782 146.8302 151.0869 151.6511 148.0048 147.5049 MBE -8.4086 -8.5856 -6.8207 -5.6058 -6.6698 -2.767 -3.6741 -2.7911 -4.7018 -6.7505 -7.0006 -3.8711 -6.2665 -4.6372 -5.7696 -5.2411 -6.7895 -7.5207 -0.2176 -5.6382 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
83
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Los siguientes dos experimentos (3A y 3B) han sido realizados aadiendo la variable n velocidad del viento respecto a los 2A y 2B (es decir, tiene como variables DNI, P, T, D del ao, Hora, HR y Velocidad del viento). En el 3A la red ha sido congurada con a n una topolog de 5 neuronas en la capa oculta y en el 3B, 15. a Tabla 6.12: Resultados experimento 3A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 152.2770 154.8952 153.6227 151.5061 150.7071 153.6227 150.6492 153.0186 148.1033 151.2006 151.8249 149.9087 148.2925 149.3941 147.5986 152.2856 149.3513 149.5329 149.2936 156.1289 MBE -5.4752 -8.7191 -8.1209 -6.6017 -8.7052 -8.1209 -4.7673 -5.0334 -5.5628 -7.7247 -8.0723 -5.3956 -3.2908 -5.6821 -6.3657 -5.6475 -7.3284 -1.7546 -2.1047 -10.5492 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
Tabla 6.13: Resultados experimento 3B. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 150.7021 147.83592 149.8465 153.2268 149.1218 149.0448 152.9526 153.3485 150.37009 151.3853 153.6221 154.0906 152.2985 151.1636 152.4898 MBE -2.4748 -3.2899 -4.2681 -6.6017 -4.0768 -4.9686 -2.1835 -4.3095 -5.6704 -4.7847 -4.5293 -4.9861 -5.2460 -1.7869 -5.5301 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100
84
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Se ha observado que en el 3B ya con 100 iteraciones los resultados no han sido mejores por lo que se ha prescindido de las pruebas con 200 iteraciones. Por otra parte, la variable velocidad del viento no ha mejorado signicativamente los resultados. Con el n de vericar esto se han llevado a cabo otros experimentos (con variables DNI, P, T, D del ao, Hora y Velocidad del viento). Se ha probado con una topolog de 5 y 15 a n a perceptrones (4A y 4B respectivamente) en una capa oculta y se han comparado con 1A y 1C (es decir, las mismas variables pero sin Velocidad del viento). Tabla 6.14: Resultados experimento 4A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 168.3917 161.1222 160.1401 170.3051 157.0988 156.5908 156.7207 158.3897 156.3717 157.0563 156.1289 157.8702 158.2872 158.0984 161.0563 166.5335 157.7166 169.3571 156.2288 154.7671 MBE -16.6638 -10.2624 -18.1823 -14.1290 -14.1482 -11.8652 -8.9296 -11.4954 -11.8113 -14.1482 -10.5492 -12.8311 -13.1837 -12.4672 -14.1482 -13.5114 -14.8722 -21.2833 -11.8006 -7.9963 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
85
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.15: Resultados experimento 4B. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 162.9787 161.8324 157.5543 159.3776 156.5805 161.9789 156.7068 155.8902 169.3765 156.2060 157.0293 161.0320 159.6074 159.6074 155.7999 MBE -20.8281 -15.6229 -9.9502 -9.7794 -6.4623 -14.0410 -14.7286 -10.4668 -22.7761 -9.0623 -11.0322 -11.3424 -13.7982 -13.7982 -14.4671 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100
Estos resultados corroboran lo dicho anteriormente. La variable velocidad del viento no aporta gran informacin aunque parece que algo s por lo que para los prximos o , o experimentos se mantendr. En los siguientes (5A y 5B) la direccin del viento ha sido a o aadida al resto de variables del ejercicio anterior (es decir, ahora con DNI, P, T, D n a del ao, Hora, Velocidad del viento y Direccin del viento). n o Tabla 6.16: Resultados experimento 5A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 155.5916 154.2141 153.5263 154.5321 155.6427 153.5916 156.6927 159.2689 153.4945 154.0520 156.9707 154.5717 154.4119 154.5088 157.7440 MBE -12.0100 -6.7683 -7.5710 -8.0065 -9.4721 -9.6311 -7.3060 -7.5187 -6.5377 -6.0238 -9.7598 -7.3895 -5.5640 -8.2767 -9.1278 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100
Con 100 iteraciones ya no se han obtenido mejores resutados por lo que no se han realizado las pruebas con 200 iteraciones.
86
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.17: Resultados experimento 5B. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 157.7802 156.7076 160.1985 163.7799 156.8738 155.2347 156.6813 155.8033 165.4136 156.3205 159.9857 155.9557 156.5680 157.1197 154.9782 161.8880 156.0454 156.5680 159.6060 156.01342 MBE -13.8561 -11.8777 -12.0708 -14.7456 -8.3413 -9.3155 -10.3973 -14.3081 -17.7870 -14.3841 -11.5375 -10.3153 -11.1230 -13.4200 -9.7575 -11.2801 -12.1785 -11.1230 -8.6695 -9.8310 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
En los siguientes experimentos (6A y 6B) se ha probado el efecto conjunto de todas las variables estudiadas hasta el momento. Por otra parte, ha surgido la idea de cambiar las variables de hora y d del ao por una unica variable con informacin anloga a las a n o a otras dos: el ngulo de elevacin del sol, o sea, las variables usadas son DNI, P, T, HR, a o Velocidad del viento, Direccin del viento y Elevacin. Este cambio ayudar a simplio o a car la red. Tabla 6.18: Resultados experimento 6A. Prueba 1 2 3 4 5 6 7 8 9 10 RMSE 146.1125 145.6556 145.7537 144.3269 145.2893 151.2171 147.2070 151.9979 147.8725 147.7635 MBE -3.3924 -5.7270 -6.1102 -2.4309 -12.5259 -6.3260 -4.4912 -1.5576 -2.9133 -4.2468 Iteraciones 20 20 20 20 20 50 50 50 50 50
En el 6A con 50 iteraciones ya se han empeorado los resultados por lo que no se ha probado con 100 ni con 200; en el 6B no se ha probado con 200 por la misma razn. o
87
En los siguientes experimentos (7A y 7B) se ha aadido la GHI respecto de las n entradas del ejercicio anterior. Tabla 6.20: Resultados experimento 7A. Prueba 1 2 3 4 5 6 7 8 9 10 RMSE 145.8309 146.3116 144.7424 147.1866 148.1173 146.7401 146.7746 146.7746 147.0739 148.8385 MBE -7.2037 -6.22780 -5.7725 -4.3759 -5.3112 -2.1177 -3.0514 -3.0514 -3.6622 -4.5283 Iteraciones 20 20 20 20 20 50 50 50 50 50
88
No se ha apreciado mejora alguna con la adicin de la GHI. Se han repetido los o experimentos con la DHI en su lugar en los 8A y 8B. Tabla 6.22: Resultados experimento 8A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 RMSE 150.9833 146.7879 146.9848 149.1931 147.2202 145.5454 148.5258 145.9152 147.9302 147.2449 146.2761 145.5354 147.7118 145.3610 147.9908 147.3735 147.4438 146.5133 148.6458 147.7983 MBE -7.6479 -7.2667 -6.8921 -14.4256 -7.1948 -5.1626 -6.7568 -7.2643 -5.3851 -6.7241 -6.9938 -6.7568 -5.6448 -4.7209 -6.9703 -8.6336 -7.0584 -5.9323 -7.7848 -6.9362 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100 200 200 200 200 200
89
Los experimentos 8A y 8B han sido realizados con 5 y 15 neuronas respectivamente. A continuacin, se ha probado a cambiar la temperatura por la serie de temperatura o diferenciada en los experimentos 9A y 9B, siendo las variables DNI, P, T, HR, Velocidad del viento, Direccin del viento, Elevacin y DHI. o o Tabla 6.24: Resultados experimento 9A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 145.3610 148.6118 147.3636 147.2604 144.1562 146.2406 146,7186 144.8162 146.8574 147.1820 146.4564 144.8468 146.8133 144.4153 145.1500 MBE -5.3947 -8.4267 -11.3275 -5.3117 -5.8169 -6.8244 -5.8835 -6.1281 -6.2160 -6.3123 -6.8677 -6.2821 -7.5735 -4.2469 -5.9260 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100
90
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.25: Resultados experimento 9B. Prueba 1 2 3 4 5 6 7 8 9 10 RMSE 145.6225 143.0718 144.8956 142.0923 142.6634 144.7517 144.7517 146.8409 146.3646 147.9092 MBE -5.6711 -4.5008 -6.9989 -4.5510 -2.5491 -4.6348 -4.6348 -3.8744 -4.6881 -4.2635 Iteraciones 20 20 20 20 20 50 50 50 50 50
Se ha querido estudiar hasta que punto la mejora es debido a presentar la temperatura de forma diferenciada. Para ello se ha cambiado en los experimentos 1A y 1C la temperatura por la variacin de temperatura y han sido comparados en los 10A y 10B, o siendo las variables DNI, P, T, D del ao y Hora. a n Tabla 6.26: Resultados experimento 10A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 165.6672 159.9747 161.8938 163.0914 165.0006 168.7861 165.8847 163.9423 160.6852 161.3742 172.5908 164.5316 159.8280 159.6570 168.9542 MBE -18.6201 -17.7786 -16.3263 -17.9119 -15.7615 -16.6215 -16.1624 -15.5791 -15.1876 -14.2654 -23.1045 -15.6886 -17.7733 -14.8869 -19.3980 Iteraciones 20 20 20 20 20 50 50 50 50 50 100 100 100 100 100
91
La mejor conguracin obtenida es la del experimento 9B. Antes de comenzar una o bsqueda ms exhaustiva de los parmetros de entrenamiento con esas entradas, se ha u a a querido comprobar si realmente la variable direccin del viento aporta algo de informao cin o simplemente complica ms el modelo, o sea, se han repetido los experimentos 9A o a y 9B sin la variable direccin del viento en los 11A y 11B. o Tabla 6.28: Resultados experimento 11A. Prueba 1 2 3 4 5 6 7 8 9 10 RMSE 144.8424 150.1450 146.4534 145.9910 146.1575 147.2327 146.8769 144.2407 148.1753 149.6829 MBE -5.7149 -11.2648 -5.0512 -6.4576 -7.8399 -6.1259 -6.4497 -6.0633 -9.0958 -8.7095 Iteraciones 20 20 20 20 20 50 50 50 50 50
Con 50 iteraciones no se mejoran los resultados por lo que no se han realizado las pruebas pertinentes con 100 y 200 iteraciones.
92
Con 100 iteraciones los resultados han empeorado por lo que se ha decidido no hacer la prueba de 200 iteraciones. Adems, s que mejoran aadiendo la direccin del viento a n o por lo que se mantendr en la parametrizacin. a o Los mejores resultados han sido obtenidos en el experimento 9B por lo que a continuacin se ha procedido a buscar la mejor conguracin de la red con esas entradas. Se o o han probado diferentes topolog adems se han realizado las pruebas con un nmero as; a u bajo de iteraciones ya que los mejores resultados en el 9B han sido obtenido con un nmero anlogo de iteraciones. u a Se han probado con topolog de 12-6, 20 y 10-5 neuronas en los experimentos 12A, as 12B y 12C respectivamente.
93
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.30: Resultados experimento 12A. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 145.6155 144.1318 142.0437 142.5077 144.0074 143.6130 146.1619 145.7869 145.2684 147.2650 146.7529 149.3075 149.0413 144.8485 146.0400 MBE -8.7639 -1.1363 -5.3595 -5.6351 -7.7749 -4.1767 -8.0217 -7.5022 -7.2006 -4.6595 -6.7046 -5.1072 -6.9798 -2.8949 -7.9389 Iteraciones 10 10 10 10 10 20 20 20 20 20 30 30 30 30 30
94
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 6.32: Resultados experimento 12C. Prueba 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 RMSE 144.2896 144.4007 146.6265 145.1357 145.0067 145.8350 145.8163 145.51201 145.8672 146.2999 147.0572 150.2427 148.0111 148.2753 147.7490 MBE -3.3747 -6.7053 -10.9239 -8.3428 -11.0147 -5.7902 -6.8094 -4.47573 -4.1250 -3.8874 -5.2004 -5.2122 -2.6865 -4.3224 -4.2141 Iteraciones 10 10 10 10 10 20 20 20 20 20 50 50 50 50 50
En sta al ser muy parecidos las pruebas de 10 y 20 iteraciones se ha proseguido e directamente con la de 50 esperando percibir alguna diferencia. Finalmente, se repetir el experimento 9B con 10 y 30 repeticiones en el 12D. a Tabla 6.33: Resultados experimento 12D. Prueba 1 2 3 4 5 6 7 8 9 10 RMSE 142.4946 143.0374 144.0908 143.0957 142.3172 143.6126 144.5672 144.4396 144.3626 145.4643 MBE -6.4749 1.0917 -9.4269 -5.3872 -4.5807 -5.6608 -5.9688 -6.9266 -7.6501 -4.8020 Iteraciones 10 10 10 10 10 30 30 30 30 30
6.4.
Resumen y analisis de los resultados
En esta seccin se pretende realizar un resumen de todos los experimentos en la o realizacin de la red y resultados obtenidos a la vez que analizar brevemente dichos o datos. Se han llevado a cabo diferentes tipos de pruebas cambiando parmetros. Por a cada tipo de prueba se han efectuado cinco diferentes dado que los resultados obtenidos por una red neuronal no son siempre los mismos. El criterio elegido para cuanticar el error cometido y poder comparar ms fcilmente los resultados es el ltrado de valores a a extremos (mximo y m a nimo) y obtencin de la media de los tres valores centrales. Se o ha considerado que podr ser un buen criterio dado que se ha visto que es frecuente a Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 95
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal obtener valores con cierta desviacin respecto del resto (outliers). De cualquier modo, o cinco valores no son sucientes para poder sacar conclusiones con total certeza, aunque s que lo sern para obtener conclusiones con cierto nivel de conanza. a La comparacin de todos los experimentos efectuados queda reejada en la guo ra 6.23. En ella se muestran los m nimos de los errores medios corregidos.
Figura 6.23: Histograma de errores medios corregidos.
96
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Experimento 1A
Figura 6.24: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 1A. Se aprecia que 20 iteraciones no son sucientes para que la red aprenda. Con 50 se encuentra el mejor resultado (gura 6.24). Con un nmero mayor de iteraciones el error u aumenta, lo cual se le puede otorgar al sobreentrenamiento. Con 200 iteraciones el error obtenido es algo mejor que el de 100; sto en cambio se puede justicar como que es e consecuencia del tamao tan pequeo de muestra tomada de pruebas. n n Experimento 1B
Figura 6.25: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 1B.
97
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Se aprecia que el nmero ostensiblemente superior de perceptrones no produce un u mejor resultado sino todo lo contrario, la red se sobreentrena y no capta las relaciones necesarias para poder generalizar y predecir (ver histograma de la gura 6.23). Dentro de este experimento s que se observa mejor el efecto de las iteraciones en el entrena miento, es decir, con un nmero mayor de iteraciones el error sigue aumentando en todo u momento, no como en el caso anterior. Experimento 1C
Figura 6.26: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 1C. Se obtienen unos resultados con ecacia entre los otros dos (gura 6.26). Al igual que en el experimento anterior el incremento del nmero de iteraciones disminuye la u calidad de los resultados.
98
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Experimento 1D
Figura 6.27: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 1D. Aqu se ha tratado de evaluar la inuencia del nmero de capas. En este caso es u dif sacar una conclusin certera, pero no se ha vislumbrado una mejora con el uso cil o de una segunda capa oculta manteniendo el nmero total de perceptrones constante, es u decir, el mismo nmero de perceptrones distribu u dos con una topolog distinta. Esto ya a fue comentado en la seccin 5.3.1, no siempre un nmero mayor de capas propicia una o u mejor solucin. o Experimento 1E
Figura 6.28: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 1E.
99
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Se realiz con el mismo objetivo que el 1D. En este caso no se mantuvo un nmero o u total de perceptrones constante. La conclusin obtenida fue la misma que en el ejercicio o anterior (1D). Experimento 1F Las conclusiones obtenidas del 1F ya han sido comentadas en la seccin 6.3. o Experimentos 2A y 2B
Figura 6.29: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 2A.
100
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Se aprecia una notable mejora en los resultados con la inclusin de la humedad relao tiva (vese el histograma de la gura 6.23). No hab sido introducida inicialmente en el a a modelo base dado que se ha estimado que no aportar informacin que no diera ya la a o temperatura segn lo visto en el anlisis del apartado 6.2. Adems, la humedad relativa u a a del WRF posee un error mayor que la temperatura. En cualquier caso, la combinacin o de esta variable junto con las anteriores ha tenido un efecto positivo notable. En concreto, en el 2A (gura 6.29) se aprecia que al tener pocas neuronas un nmero u mayor de iteraciones produce una mejora en los resultados. En cambio, con la topolog de 15 neuronas en una capa oculta, que es el caso 2B a (gura 6.30) parece que el caso es el contrario, obtenindose sobreentrenamiento con un e mayor nmero de iteraciones. u Comparando los dos, se obtienen mejores resultados para el caso de 5 perceptrones en una capa oculta. Experimentos 3A y 3B
101
Figura 6.32: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 3B. Se ha agregado la variable velocidad del viento. Se puede apreciar en el histograma de la gura 6.23 que el error permanece prcticamente constante. a Analizando los resultados de las redes creadas en ambos, en el 3A (gura 6.31) el resultado obtenido mejora hasta las pruebas con 100 iteraciones; en la de 200 se observa sobreentrenamiento. En el 3B (gura 6.32) la mejor prueba es con 20 iteraciones. Esto puede ser debido a que la red contiene ms perceptrones que en el 3A por lo que un nmero mayor de a u iteraciones produce rpidamente un sobreentrenamiento. a
102
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Experimentos 4A y 4B
Figura 6.34: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 4B. Con el n de obtener ms informacin acerca de la variable velocidad del viento se a o realizaron los experimentos 4A y 4B (guras 6.33 y 6.34). Se puede apreciar en el histograma de la gura 6.23 que el error vuelve a aumentar. Esto es debido a que se ha eliminado la humedad relativa en estos experimentos, la cual aporta bastante informacin. o
103
Figura 6.36: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 5B. En estos experimentos ha sido aadida la variable direccin del viento respecto de n o los 4A y 4B, aunque sin albergar gran esperanza en la mejora de los resultados segn lo u observado en el anlisis del apartado 6.2. Sin embargo, s que se produce una mejora en a la reduccin del RMSE (ver histograma de la gura 6.23). o En el experimento 5A (gura 6.35) se produce sobreentrenamiento con las 100 iteraciones. En el 5B (gura 6.36) se alcanza la mejor solucin con 50. o
104
Figura 6.38: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 6B. Han sido efectuados aadiendo la humedad relativa adems de cambiar los d y n a as horas del ao por el ngulo de elevacin. En el histograma de la gura 6.23 se reeja la n a o gran disminucin del RMSE respecto de los 4 experimentos anteriores lo cual es lgico o o dado que en estos no se estaba aadiendo la humedad relativa. De todas maneras, se n observa que ha disminuido respecto de los 2A, 2B, 3A y 3B por lo que aadir las variables n direccin y velocidad del viento en adicin con la elevacin ha producido un efecto muy o o o favorable.
105
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal El grco de la gura 6.37 y la experiencia de anteriores experimentos justican la a realizacin de slo pruebas hasta 50 iteraciones ya que el error va aumentando. Por otra o o parte, el 6B (gura 6.38) al ser una red de mayor tamao en este caso necesita un nmero n u mayor de iteraciones para mejorar algo los resultados. Experimentos 7A y 7B
Figura 6.40: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 7B. Se ha aadido la GHI respecto de los 6A y 6B. Se puede observar en el histograma de n la gura 6.23 que el error aparantemente no mejora. Se habr de realizar un nmero an u superior de pruebas para poder determinar esto con mayor exactitud. Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 106
Figura 6.42: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 8B. Se ha considerado que como la GHI depende de la DNI y DHI ser bueno repetir a los experimentos 7A y 7B usando la DHI en lugar de la GHI. En el caso del 8A (gura 6.41) el mejor resultado se obtiene con 100 iteraciones, volviendo a empeorar en las de 200. En cambio, en el 8B (gura 6.42) el menor error es con 20 iteraciones. Aqu con 200 iteraciones el resultado mejora respecto de 100. , Esto simplemente puede ser debido a que la muestra tomada es muy pequea y poco n representativa por tanto. Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 107
Figura 6.44: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 9B. La temperatura diferenciada ha sido insertada en lugar de la temperatura manteniendo el resto de variables iguales que en los 8A y 8B. Esto ha disminuido el error. En concreto, en el experimento 9B se han adquirido los mejores resultados de todos.
108
Figura 6.46: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 10B. Aqu se ha deseado estudiar el efecto de cambiar la variacin de temperatura por la o temperatura en los experimentos 1A y 1C en los experimentos 10A y 10B (guras 6.45 y 6.46) respectivamente. En el caso del 10A no se consigue ninguna mejora mientras que en el 10B s (vese a histograma de la gura 6.23). Por lo tanto, se ha supuesto que la variacin de temperatura o aporta ms informacin que la variable temperatura. a o
109
Figura 6.48: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 11B. Aqu se ha querido comprobar si la variable direccin del viento aportaba algo de o informacin o simplemente complicaba ms el modelo. Por ello, se han repetido las prueo a bas de 9A y 9B pero suprimiendo dicha variable. Atendiendo a lo visto en el histograma de la gura 6.23 el error vuelve a aumentar por lo que se ha considerado que la variable direccin del viento tiene relevancia dentro o del modelo.
110
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Experimentos 12A, 12B, 12C y 12D
111
Figura 6.51: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 12C.
Figura 6.52: Grco de dispersin RMSE (W/m2 ) vs nmero de iteraciones realizadas a o u en las pruebas de 12D. Finalmente, se ha tratado de obtener unos resultados que mejoraran los obtenidos en el experimento 9B en los 12A, 12B y 12C (guras 6.49, 6.50 y 6.51) usando sendas topolog diferentes. Cmo los resultados no han mejorado, se ha repetido la topolog as o a utilizada en el experimento 9B en el 12D (gura 6.52) con un nmero diferente de u iteraciones. Red seleccionada Los mejores resultados han sido obtenidos en los experimentos 9B y 12D. En realidad este no es ms que el mismo experimento pero variando el nmero de iteraciones. a u
112
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal En concreto la red seleccionada ha sido la entrenada en la prueba 5 del experimento 12D. Los errores cometidos por la red y el MRM vienen dados en la tabla 6.34. Tabla 6.34: Errores cometidos por MRM y la red neuronal. MRM Red RMSE 196.2513 142.3172 MBE 26.8456 -4.5807
El tanto por ciento que ha disminuido el RMSE es: RM SE( %) = 196,2513 142,3172 = 27,5 % 196,2513 (6.1)
Y el del MBE en valores absolutos: M BE( %) = 26,8456 4,5807 = 82,9 % 26,8456 (6.2)
Se ha comprobado a lo largo de la investigacin experimental que todas las redes o neuronales subestiman la prediccin. En cambio el MRM la sobreestima siginicativao mente. Esto se puede observar mejor segn el diagrama mostrado en la gura 6.53. Esto u es debido al gran nmero de datos en los que el u ndice nubosidad no acierta con la estimacin de las nubes, proveyendo valores menores a los correspondientes. Es ms, segn o a u lo visto en el grco de la gura 6.8, la prediccin del MRM mejora notablemente con a o valores de DNI medidos altos, es decir, en condiciones de cielo despejado.
113
Figura 6.53: DNI estimada frente DNI medida obtenida de la red neuronal y del MRM. Se puede observar lo dicho, es decir, una notable reduccin en los valores correspono dientes a DNI real bajos, que el MRM pronostica como cielo claro. Por otra parte sucede lo contrario aunque en menor medida, o sea, son medidos valores altos y el MRM los predice como bajos. Cabe mencionar el gran nmero de valores que ya no son tomados u con valor nulo en la red, mientras que en el MRM s los toma. Tambin ocurre que para e valores de DNI medidos nulos, los valores de la prediccn de la red son menores que los o pronosticados por el MRM. Finalmente, se puede apreciar una pendiente ligeramente inferior a la unidad en la recta de regresin de la red, cuya explicacin se encuentra en o o lo ya comentado: la red subestima levemente los valores previstos. Esto queda reejado en el anlisis de regresin realizado mediante Matlab (gura 6.54). Los coecientes de a o 2 tienen un valor de 0,7257 y 0,8298 para los datos directamente del MRM y la red R neuronal respectivamente.
114
Figura 6.54: Anlisis de regresin para los datos obtenidos directamente del MRM (arria o ba) y con la red neuronal (abajo). Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska 115
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Para facilitar la visualizacin de los resultados, los perles diarios de DNI son preo sentados en las guras 6.55, 6.56, 6.57, 6.58, 6.59, 6.61, 6.62, 6.63, 6.64, 6.65 y 6.66.
Figura 6.55: Perles diarios de DNI (W/m2 ) para el mes de Enero.
116
Figura 6.56: Perles diarios de DNI (W/m2 ) para el mes de Febrero.
Figura 6.57: Perles diarios de DNI (W/m2 ) para el mes de Marzo.
117
Figura 6.58: Perles diarios de DNI (W/m2 ) para el mes de Abril.
Figura 6.59: Perles diarios de DNI (W/m2 ) para el mes de Mayo.
118
Figura 6.60: Perles diarios de DNI (W/m2 ) para el mes de Junio.
Figura 6.61: Perles diarios de DNI (W/m2 ) para el mes de Julio.
119
Figura 6.62: Perles diarios de DNI (W/m2 ) para el mes de Agosto.
Figura 6.63: Perles diarios de DNI (W/m2 ) para el mes de Septiembre.
120
Figura 6.64: Perles diarios de DNI (W/m2 ) para el mes de Octubre.
Figura 6.65: Perles diarios de DNI (W/m2 ) para el mes de Noviembre.
121
Figura 6.66: Perles diarios de DNI (W/m2 ) para el mes de Diciembre.
122
Cap tulo 7
Conclusiones y trabajos futuros

El objetivo de este proyecto es la seleccin de los parmetros y variables adecuados o a para el entrenamiento de una red neuronal que mejore la estimacin dada por un sistema o de prediccin meteorolgica. En concreto se tratar de predecir la Irradiancia Directa o o a Normal que es la componente de la irradiancia solar que se puede concentrar y acumular en los almacenamientos de las plantas termosolares. Para llevar dicha labor a cabo, en primer lugar la simulacin de las variables meo teorolgicas necesarias ha sido efectuada; posteriormente se ha usado un modelo f o sico para la prediccin de la DNI; nalmente con dichos datos se ha realizado un estudio de o la parametrizacin del entrenamiento y topolog de la red neuronal mediante el empleo o a del toolbox de Matlab para redes neuronales. Los efectos de las iteraciones y nmero de u perceptrones han sido examinados entre otros parmetros. a
7.1.
Conclusiones
Las conclusiones extra das de los resultados obtenidos son las siguientes: Se ha observado que no se puede denir una tendencia exacta respecto al nmero u de iteraciones y topolog de la red. a Existen diferencias provocadas por la morfolog de la red pero en este caso no han a sido el factor ms determinante. a Cada variable aadida aporta una informacin que puede cambiar en el nmero n o u de pocas ptimo que son necesarias. e o Se ha detectado una cierta inclinacin a la obtencin de los mejores resultados con o o el menor nmero de iteraciones en el caso de los ensayos con 15 perceptrones por u capa, obtenindose estos con un nmero mayor en las pruebas de 5 perceptrones. e u Se vislumbra un aumento en el nmero de iteraciones necesarias con el aumento u en el nmero de variables de entrada en el caso de 15 perceptrones, lo cual parece u razonable. 123
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal El nmero de iteraciones con los que se obtienen los mejores resultados es un u nmero u nmo respecto al que se puede obtener en otros problemas. Esto se atribuye a que el problema a resolver no entraa demasiada dicultad una vez se han n inicializado los pesos de la red al modelo f sico. Todas las redes entrenadas subestiman la energ a acumular en menor medida a que el MRM la sobreestima. Adems, otras opiniones han sido extra a das de todo el proceso de documentacin y o desarrollo: Se ha comprobado el potencial de las redes neuronales, demostrndose como captan a relaciones entre variables que aparentemente no guardan ninguna relacin y de o manera muy simple para el modelizador. Sin embargo, durante la realizacin del o presente proyecto se ha intuido que realizar la prediccin de series temporales o de un problema partiendo desde cero requiere de ciertos niveles de habilidad y experiencia, adems de mucha paciencia. a Se ha comprobado la alta capacidad de clculo que encierra y simplicidad de uso a de la aplicacin Matlab. El desarrollo de herramientas para tareas relativamente o espec cas (como puede ser el diseo de una red neuronal) en un entorno de pron gramacin integrado facilita con creces la labor del modelizador, dotndole de un o a mayor abanico de posibilidades a la hora de trabajar. El problema de la prediccin meteorolgica es ciertamente complicado, como se ha o o visto la resolucin de las ecuaciones diferenciales no es nada trivial. Sin embargo, o s que se han producido grandes avances en esta materia. El problema de la prediccin de la irradiancia solar directa a pesar de parecer o muy simple a priori, no lo es tanto, ya que es una cuestin relativamente nueva; es o una cuestin que ha nacido con la tecnolog termosolar y mucho queda an por o a u investigar y conocer.
7.2.
Trabajos futuros
Los resultados de la red neuronal a pesar de mejorar signicativamente los del MRM no son tan buenos como cab esperar. Esto se achaca al tamao limitado de la muestra. a n Facilitar notablemente el entrenamiento de la red realizarlo con una base de datos a mayor en el tiempo (3 o 4 aos de datos reales) y con datos de variables meteorolgicas n o medidas directamente y no estimadas mediante modelos numricos, ya que estos tienen e una incertidumbre mayor que un aparato de medida. Esto se podr encontrar sin proa blemas en una central termosolar ya operativa. Desde un punto de vista cient co lo idneo es la instalacin de una amplia red de o o estaciones meteorolgicas a lo largo de los emplazamientos de inters para el desarrollo o e de modelos estad sticos ables. No obstante, esto es muy costoso y poco rentable para las empresas. Esto supone tener que seguir trabajando con un tamao limitado de muestra n por lo que se deber seguir probando a realizar experimentos en esta l a nea.
124
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Ha habido un auge en el desarrollo de la inteligencia articial en la ultima dcada e (i.e, algoritmos genticos, otro tipo de redes como las autoorganizativas...) que pueden e ser usados independientemente o en combinacin con la red feedforward. Estas tcnicas o e ya estn siendo de hecho probadas en aplicaciones de toma de decisiones y otras con a nes econmicos, adems de alguno de sus campos naturales como puede ser la robtica. o a o Otra l nea de investigacin ms costosa y compleja es la de utilizar tcnicas de Nowo a e casting o pronstico a muy corto plazo. Consiste en la utilizacin de imgenes del canal o o a visible de satlites geoestacionarios para en combinacin con imgenes tomadas desde e o a tierra poder realizar un seguimiento de las nubes. En adicin, mediante el empleo de o tratamiento de imgenes pueden utilizarse o bien redes neuronales o bien la inferencia a bayesiana (mediante redes bayesianas) para la clasicacin de tipos de nubes. A cada o nube pronosticada se le asignar un rango de factor de descuento u otro. a
125
Anexo A
PARAMETROS DEL WPS
&share wrf_core = ARW, max_dom = 1, start_date=2008-01-01_00:00:00, end_date=2008-02-01_00:00:00, interval_seconds = 3600 io_form_geogrid = 2, / &geogrid parent_id = 1, 1, parent_grid_ratio = 1, 3, i_parent_start = 1, 31, j_parent_start = 1, 17, e_we=15, 112, e_sn=15, 97, geog_data_res = 10m,2m, dx=5000, dy=5000, map_proj = lambert, ref_lat = 40.4528, ref_lon = -3.7242, truelat1 = 45.4528, truelat2 = 35.4528, geog_data_path = ../geog_data / &ungrib out_format = WPS, prefix = FILE, / &metgrid fg_name = FILE io_form_metgrid = 2, 127
Anexo B
PARAMETROS DEL WRF
&time_control run_days=31, run_hours run_minutes run_seconds start_year=2008, start_month=01, start_day=01, start_hour=00, start_minute start_second end_year=2008, end_month=02, end_day=01, end_hour=00, end_minute end_second interval_seconds input_from_file history_interval frames_per_outfile restart restart_interval io_form_history io_form_restart io_form_input io_form_boundary debug_level / &domains time_step=30, time_step_fract_num time_step_fract_den max_dom
= 0, = 0, = 0,
= 00, = 00,
00, 00,
00, 00,
= = = = = = = = = = = = =
00, 00, 00, 00, 00, 00, 3600 .true.,.true.,.true., 60, 60, 60, 1000, 1000, 1000, .false., 5000, 2 2 2 2 0
= 0, = 1, = 1, 129
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal e_we=15, e_sn=15, e_vert p_top_requested num_metgrid_levels num_metgrid_soil_levels=4, dx=5000, dy=5000, grid_id parent_id i_parent_start j_parent_start parent_grid_ratio parent_time_step_ratio feedback smooth_option interp_type extrap_type t_extrap_type use_levels_below_ground use_surface lagrange_order / &physics mp_physics ra_lw_physics ra_sw_physics radt sf_sfclay_physics sf_surface_physics bl_pbl_physics bldt cu_physics cudt isfflx ifsnow icloud surface_input_source num_soil_layers sf_urban_physics maxiens maxens maxens2 maxens3 ensdim /
= 28, = 5000, = 27,
28,
28,
= = = = = = = = = = = = = =
1, 2, 0, 1, 1, 31, 1, 17, 1, 3, 1, 3, 1, 0, 2, 2, 2, .true., .true., 1,
3, 2, 30, 30, 3, 3,
= = = = = = = = = = = = = = = = = = = = =
3, 1, 1, 5, 1, 2, 1, 0, 1, 5, 1, 1, 1, 1, 4, 0, 1, 3, 3, 16, 144,
3, 1, 1, 30, 1, 2, 1, 0, 1, 5,
3, 1, 1, 30, 1, 2, 1, 0, 0, 5,
130
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal &fdda / &dynamics w_damping diff_opt km_opt diff_6th_opt diff_6th_factor base_temp damp_opt zdamp dampcoef khdif kvdif non_hydrostatic moist_adv_opt scalar_adv_opt / &bdy_control spec_bdy_width spec_zone relax_zone specified nested / &grib2 / &namelist_quilt nio_tasks_per_group = 0, nio_groups = 1, /
= = = = = = = = = = = = = =
0, 1, 4, 0, 0.12, 290. 0, 5000., 0.2, 0, 0, .true., 1, 1,
0, 0.12,
0, 0.12,
5000., 0.2, 0, 0, .true., 1, 1,
5000., 0.2 0, 0, .true., 1, 1,
= = = = =
5, 1, 4, .true., .false.,.false., .false., .true., .true.,
131
Anexo C
PARAMETROS DE TURBIDEZ OBTENIDOS
Tabla 7.1: Parmetros de aeorosoles para el ao 2007. a n Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre AOT550 0.053 0.087 0.146 0.071 0.104 0.156 0.254 0.185 0.126 0.116 0.098 0.143 Angstrom 2.030 2.087 2.167 2.562 2.562 2.524 2.092 2.033 2.070 1.779 1.944 1.760 Beta 0.013 0.012 0.014 0.019 0.022 0.022 0.019 0.032 0.032 0.014 0.010 0.008
133
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal Tabla 7.3: Parmetros de aeorosoles para el ao 2005. a n Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre AOT550 0.106 0.095 0.091 0.053 0.051 0.105 0.100 0.127 0.131 0.076 0.069 0.082 Angstrom 2.030 1.990 1.799 2.121 2.515 2.529 2.216 2.450 2.320 2.156 2.226 2.163 Beta 0.031 0.032 0.025 0.019 0.011 0.028 0.023 0.031 0.036 0.020 0.018 0.022
134
Bibliograf a
[1] Pgina web de la Asociacin Espaola de la Industria Solar Termoelctrica, a o n e www.protermosolar.com [2] Detlev Heinemann, Lecture Notes, Postgraduate Programme Renewable Energy, Carl von Ossietzky Universitt, Oldenburg, 2000. a [3] H. D Kabezidis and B. E. Psiloglou, The Meteorological Radiation Model (MRM): Advancements and Applications. [4] Eugenia Kalnay, Atmospheric modeling, data assimilation and predictability, 2003. [5] Martin J. Mohlenkamp, A Users Guide to Spherical Harmonics, 2010. [6] Pgina web de NOAA, http://www.emc.ncep.noaa.gov/GFS/doc.php a [7] National Center for Atmospheric Research, ARW Users Guide, 2008. [8] J.Beres, Comparison of WRF Model Outputs and MODIS Image Products for Cloud Presence, 2008. [9] J.M Gutirrez, R. Cano, A. S. Coo y C. M. Sordo, Redes probabil e n sticas y neuronales en las ciencias atmosfricas, 2004. e [10] Warren S.McCulloch, Walter H. Pitts, A logical calculus of the ideas immanent in nervous activity, 1943. [11] F. Rosenblatt The perceptron: a probabilistic model for informaton storage and organization in the brain, 1958. [12] Marvin Minsky, Seymour Papert Perceptrons: an introduction to computational geometry, 1969. [13] J. J. Hopeld, Neural networks and physical systems with emergent collective computational abilities, 1982. [14] Guoqiang Zhang, B. Eddy Patuwo and Michael Y. Hu, Forecasting with articial neural networks: The state of the art, 1998 [15] P. P. Jurewicz y J. G. Bueno, Neural evolution, 2010. [16] Miguel Alcubierre, Mtodos numricos en relatividad, 2005. e e [17] http://www.meteored.com/ [18] Pgina web del proyecto Globaerosol, http://www.globaerosol.info/ a 135
Parametrizacin de una red neuronal para la mejora de la prediccin de la Irradiancia o o Directa Normal [19] H. Barroso, Modelizacin de un campo solar de concentracin, 2010. o o [20] D. Carrasco, Modelos estad sticos de prediccin aplicados a una central termosolar, o 2010.
136

PFC Alejandro Rodriguez Delgado

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

PFC Alejandro Rodriguez Delgado

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Carlos III de Madrid Departamento de Ingenier de Sistemas y a Automatica

GLOSARIO DE TERMINOS METEOROLOGICOS

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Figura 1.1: Esquema del modelo de prediccin. o

Fases y resumen del proyecto

Esquema del documento

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Introduccion a la tecnolog a termosolar

Figura 2.2: Colector cilindro parablico. o

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

2.2. Estado actual de la tecnolog termosolar en a Espana

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Figura 2.9: Situacin de las distintas centrales termosolares en Espaa. o n

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

donde dn es el nmero de d del ao de 1 a 365, sin tener en cuenta el d de ms en u a n a a aos bisiestos. n

Figura 3.5: Distancia Sol-Tierra frente a d del ao. a n

Ecuacion del tiempo

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Et = 229,18 (0,000075 + 0,001868cos 0,032077sin 0,014615cos2 0,04089sin2) (3.8)

HSL = HSE + 4 (Ls Le ) + Et

Direccion de la radiacion solar

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Algoritmo de posicion solar

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Usx = cos sin

Componentes de la radiacion solar

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

3.12. Instrumentos de medida de radiacion solar y otras variables

Instrumentos de medida de la radiacion solar

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Figura 3.15: Bandas usadas de un heligrafo. o

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Modelos de cielo despejado

El modelo meteorologico de radiacion (MRM)

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Modelo de cielo despejado

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Figura 3.16: Columa de ozono. Una aproximacin de este valor es: o

lo = d1 + {d2 + d3 sin[d4 (dn 30)] + d5 sin[d6 ( + )]}[sin2 (d7 )]

Modelo de cielo cubierto

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

La ecuacin de Angstrom viene dada por la expresin: o o a, = (3.37)

(3.39a) (3.39b) (3.39c)

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Modificaciones del MRM

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Modelos numericos de prediccion meteorologica

Las ecuaciones de la atmosfera

Resolucion numerica de las ecuaciones

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska

Validacion de resultados obtenidos

Alumno: Alejandro Rodr guez Delgado Tutor: Piotr Jurewicz Slupska