Multimodal deep learning for solar radiation forecasting

El objetivo principal de esta investigación es desarrollar una metodología robusta para la predicción multimodal de la radiación solar, enfocándose en la irradiancia horizontal global (GHI). El contexto del estudio subraya la necesidad crítica de una utilización eficiente de la energía solar para lageneración sostenible y la reducción de emisiones de gases de efecto invernadero, haciendo que la predicción precisa sea fundamental para optimizar los sistemas fotovoltaicos. No obstante, la naturaleza estocástica y la variabilidad inherente de la radiación solar presentan un desafío significativopara la predicción precisa de la generación de energía.modelos multimodales de predicción utilizando dos tipos de redes neuronales, alimentadas con datos reales de la instalación CESA-I, incluyendo tanto imágenes como datos meteorológicos. El proceso implica el preprocesamiento de estos datos y la aplicación de redes neuronales híbridas avanzadas como las Redes Neuronales Convolucionales (CNN) y las celdas de Memoria a Largo Corto Plazo (LSTM), integradas en una arquitectura tipo NARX. Las entradas seleccionadas para la predicción fueron la fecha juliana, la radiación extraterrestre global teórica y las imágenes 2D modeladas por la red CNN-LSTM, con un paso de tiempo de 10 minutos.stas técnicas para la predicción de la radiación solar, logrando un pronóstico inmediato entre 10 minutos y 1 hora con un error mínimo del 2.5%. Específicamente, las predicciones mejoran la gestión energética, obteniendo un NRMSE del 3% en 10 minutos, y los modelos híbridos de aprendizaje profundo superan a los unimodales, alcanzando un NRMSE del 10% en 1 hora. Se destaca que las imágenes del cielo son cruciales, ya que capturan las propiedades de las nubes, lo que mejora la precisión predictiva. En conclusión, este trabajo representa un avance significativo en la búsqueda de soluciones energéticamente eficientes y sostenibles.