Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index

Estimación de la radiación solar global utilizando redes neuronales NNARX basadas en el índice UV

Autores/as

Palabras clave:

redes neuronales recurrentes, Davis Vantage PRO 2.0, modelo de radiación solar, índice UV (es).

Palabras clave:

recurrent neural network, Davis Vantage PRO 2.0, solar radiation model, UV index (en).

Descargas

Resumen (en)

Context: This work presents different models based on artificial neural networks, among them NNARX, for estimating global solar radiation from UV index measurements. The objective is to determine the efficiency of the models studied to estimate global solar radiation in terms of the coefficient of determination (R2), the root-mean-square error (RMSE), and the mean absolute error (MAE).

Methodology: It is divided into four stages: i) conformation of the training dataset (in this case, it uses a training set of 213.019 data collected over five years in the city of Pasto, Colombia, with the Davis Vantage Pro 2.0 station); ii) pre-processing of data to remove erroneous and unusual data; iii) definition of models based on recurrent and conventional artificial neural networks according to an analysis of topologies, e.g. NNFIR and NNARX; iv) training of the models and evaluation of the estimation efficiency through metrics such as R2, RMSE, and MAE. To validate the model, a new dataset collected during the last year was used, which was not included in the data training.

Results: The global solar radiation estimation models based on NNARX show the best estimation efficiency compared to conventional neural networks. The NNARX221 model has an RMSE of 54,32 and a MAE of 18,06 w/m2.

Conclusions: NNARX models are highly efficient at estimating global solar radiation, with a coefficient of determination of 0,9697 in the best of cases. The most efficient models are characterized by using two past times and the current UV index instant, and they feed from two past times of their own estimated radiation output. Furthermore, the numerical results show that the contribution of temperature and relative humidity is not relevant to improving the efficiency of the estimation of global solar radiation. These models can be particularly important since they only use measurements made with UV index sensors, which are less expensive than solar radiation ones.

Resumen (es)

Contexto: Este trabajo presenta diferentes modelos basados en redes neuronales artificiales, entre ellas las NNARX, para la estimación de la radiación solar global a partir de mediciones del índice UV. El objetivo es determinar la eficiencia de los modelos estudiados para estimar la radiación solar global en términos del coeficiente de determinación (R2), la raíz del error medio cuadrático (RMSE) y el error absoluto medio (MAE).

Metodología: Se divide en cuatro etapas: i) conformación del set de datos de entrenamiento (en este caso se utiliza un set de entrenamiento de 213.019 datos recolectados durante 5 años en la ciudad de Pasto, Colombia, con la estación Davis Vantage Pro 2.0); ii) pre-procesamiento de los datos para remover datos erróneos e inusuales; iii) definición de modelos basados en redes neuronales artificiales recurrentes y convencionales basándose en un análisis de topologías, e.g. NNFIR y NNARX; iv) entrenamiento de los modelos y evaluación de la eficiencia de la estimación por medio de métricas como R2, RMSE y MAE. Para validar el modelo se utilizaron datos recolectados durante el último año, los cuales no se incluyeron en el entrenamiento.

Resultados: Los modelos de estimación de radiación solar global basados en NNARX presentan la mejor eficiencia en la estimación en comparación con redes neuronales convencionales. El modelo NNARX221 presenta un RMSE de 54,32 y un MAE de 18,06 w/m2.

Conclusiones: Los modelos NNARX tienen una gran eficiencia para estimar la radiación solar global, en el mejor de los casos con un coeficiente de determinación de 0,9697. Los modelos más eficientes se caracterizan por utilizar dos instantes pasados y el instante actual de índice UV y realimentar dos instantes pasados de su propia salida de radiación estimada. Además, los resultados numéricos muestran que la contribución de la temperatura y humedad relativa no es relevante para mejorar la eficiencia de la estimación de la radiación solar global. Estos modelos pueden ser particularmente importantes dado que solamente utilizan mediciones realizadas con sensores de índice UV que son menos costosos que los sensores de radiación solar.

Biografía del autor/a

John Barco-Jiménez, Universidad del Valle

Máster en Ingeniería Electrónica e Informática, ingeniero electrónico. Candidato a Doctorado en Ingeniería Eléctrica y Electrónica de la Universidad del Valle, San Juan de Pasto, Colombia.

Francisco Eraso Checa, Universidad CESMAG

Maestría en Ingeniería, ingeniero electrónico. Profesor del programa de Ingeniería Electrónica de la Universidad CESMAG, San Juan de Pasto, Colombia.

Andrés Pantoja, Universidad de Nariño

Doctor en Ingeniería, Máster en Ingeniería Electrónica e Informática, ingeniero electrónico. Profesor del Departamento de Ingeniería Electrónica de la Universidad de Nariño, San Juan de Pasto, Colombia

 

Eduardo Caicedo Bravo, Universidad del Valle

Doctor en Informática Industrial, Máster en Tecnologías de la Información, ingeniero eléctrico. Profesor de los programas de posgrado en Ingeniería Eléctrica y Electrónica de la Universidad del Valle, Santiago de Cali, Valle, Colombia.

Referencias

Abe, C. F., Dias, J. B., Notton, G., & Faggianelli, G. A. (2020). Experimental application of methods to compute solar irradiance and cell temperature of photovoltaic modules. Sensors (Switzerland), 20(9), 2940. https://doi.org/10.3390/s20092490

Aliberti, A., Fucini, D., Bottaccioli, L., Macii, E., Acquaviva, A., & Patti, E. (2021). Comparative analysis of neural networks techniques to forecast Global Horizontal Irradiance. IEEE Access, 9, 122829-122846. https://doi.org/10.1109/ACCESS.2021.3110167

Anderson, T. W., & Darling, D. A. (1952). Asymptotic theory of certain “Goodness of fit” criteria based on stochastic processes. Annals of Mathematical Statistics, 23(2), 193-212. https://doi.org/10.1214/aoms/1177729437

Bohorquez-Ballén, J., & Pérez-Mogollón, J. F. (2007). Radiación Ultravioleta. Ciencia y Tecnología Para La Salud Visual y Ocular, 5(9), 97-104. https://doi.org/10.19052/sv.1520

Capizzi, G., Napoli, C., & Bonanno, F. (2012). Innovative second-generation wavelets construction with recurrent neural networks for solar radiation forecasting. IEEE Transactions on Neural Networks and Learning Systems, 23(11), 1805-1815. https://doi.org/10.1109/TNNLS.2012.2216546

Casal, C. (2010). Caracterización de la radiación ultravioleta en la provincia de Huelva e incidencia en la productividad y el valor biotecnológico de cultivos de interés comercial. Departamento de Química y CCMM, Universidad de Huelva. http://rabida.uhu.es/dspace/bitstream/handle/10272/2713/b15236572.pdf?sequence=1

Chacón, C. A., Cely, O. E., & Guerrero, F. (2008). Diseño y construcción de un medidor de radiación solar. Tecnura, 12(23), 13-23. https://www.redalyc.org/articulo.oa?id=257020605003

Cruz-Colón, J., Martinez-Mitjans, L., & Ortiz-Rivera, E. I. (2012, June 3-8). Design of a low cost irradiance meter using a photovoltaic panel [Conference presentation]. 38th IEEE Photovoltaic Specialists Conference (PVSC), Austin, TX, USA. https://doi.org/10.1109/PVSC.2012.6318195

Eraso-Checa, F. J., Erazo de la Cruz, O. F., & Escobar-Rosero, E. (2017). Energía Fotovoltaica: Modelos y respuestas a condiciones meteorológicas. Institución Universitaria CESMAG. https://doi.org/10.15658/CESMAG17.010807

Eraso-Checa, F., Jiménez, J. B., Escobar, D., & Insuasty, S. (2018, September 18-21). Global radiation estimation using a polynomial function on UV index [Conference presentation]. 2018 IEEE PES Transmission & Distribution Conference and Exhibition - Latin America (T&D-LA), Lima Perú. https://doi.org/10.1109/TDC-LA.2018.8511791

Hernández-Mora, J., Trujillo-Rodríguez, C., & Vallejo-Lozada, W. (2013). Modelamiento de la irradiancia y la temperatura ambiente utilizando funciones de probabilidad. Revista Tecnura, 18(39), 128-137. https://doi.org/2014.1.a09

Davis Instruments (2014a). 6450 solar sensor datasheet. Davis Instruments.

Davis Instruments (2014b). 6490 UV sensor datasheet. Davis Instruments.

Jäguer, K., Olindo I., Smets, A., Van-SWaaij, R., & Zeman, M. (2014). Solar Energy: Fundamental, tecnology and systems. Delft University of Technology.

Kamali, G. A., Moradi, I., & Khalili, A. (2006). Estimating solar radiation on tilted surfaces with various orientations: a study case in Karaj (Iran). Theoretical and Applied Climatology, 84, 235-241. https://doi.org/10.1007/s00704-005-0171-y

Khan, M. A., Huque, S., & Mohammad, A. (2013, February 13-15). A neural network model for estimating global solar radiation on horizontal surface [Conference presentation]. 2013 International Conference on Electrical Information and Communication Technology, (EICT), Khulna, Bangladesh. https://doi.org/10.1109/EICT.2014.6777857

Korachagaon, I., Mudgal, D. N., Kottur, R. M., Patil, S. K., & Bapat, V. N. (2015, January 9-10). Global Solar Radiation Estimation Model with Two Parameters and its ANN validation [Conference presentation]. 2015 IEEE 9th International Conference on Intelligent Systems and Control (ISCO), Coimbaore, India. https://doi.org/10.1109/ISCO.2015.7282286

Lucas, R., McMichael, T., Smith, W., & Amstrong, B. (2006). Solar Ultraviolet Radiation: Global burden of disease from ultraviolet radiation. World Health Organization.

Mancilla-David, F., Riganti-Fulginei, F., & Laudani, A. (2014). A neural network-based low-cost solar irradiance sensor. IEEE Transactions on Instrumentation and Measurement, 63(3), 583-591. https://doi.org/10.1109/TIM.2013.2282005

Moreno, C. M., Pedraza, L. F., & Rivas, E. (2012). Predicción de la demanda de energía eléctrica basado en análisis Wavelet y un modelo neuronal auto-regresivo no lineal NAR. Tecnura, 16(Special Issue), 86-99. https://doi.org/10.14483/22487638.6816

Narváez, J. A., & Hernández, R. (2013). Determinación del modelo técnico adecuado para el aprovechamiento de la energía fotovoltaica en Pasto. Institución Universitaria CESMAG.

National Services Centre (n.d.). Climate Prediction Center: UV index information. https://www.cpc.ncep.noaa.gov/products/stratosphere/uv_index/uv_current.shtml

Norgaard, M., Ravn, O., Poulsen, N. K., & Hansen, L. K. (2000). Neural Networks for Modelling and Control of Dynamic Systems. Springer-Verlag. https://doi.org/10.1007/978-1-4471-0453-7

Obando, E. D., Carvajal, S. X., & Pineda, J. (2019). Solar Radiation Prediction Using Machine Learning Techniques: A Review. IEEE Latin America Transactions, 17(4), 684-697. https://doi.org/10.1109/TLA.2019.8891934

Ortiz, E. I., & Peng, F. Z. (2005). Analytical Model for a Photovoltaic Module Using the Electrical Characteristics provided by the Manufacturer Data Sheet [Conference presentation]. 36th IEEE Power Electronics Specialists Conference, Dresden, Gemany. https://doi.org/10.1109/PESC.2005.1581920

Ruiz-Cárdenas, L. C., Amaya-Hurtado, D., & Jiménez-Moreno, R. (2016). Predicción de radiación solar mediante deep belief network. Tecnura, 20(47), 39-48. https://doi.org/10.14483/udistrital.jour.tecnura.2016.1.a03

Ryer, A. (1988). Light measurement handbook. Technical Publications Department, International Light, Inc.

Sayago, S., Bocco, M., Ovando, G., & Willington, E. (2011). Radiación solar horaria: modelos de estimación a partir de variables meteorológicas básicas. Avances En Energías Renovables y Medio Ambiente, 15, 102488. http://sedici.unlp.edu.ar/handle/10915/102488

Torres, A. (2002). Probabilidad, variables aleatorias, confiabilidad y procesos estocásticos en Ingeniería Eléctrica. Universidad de los Andes.

Viljoen, C. S., & Merwe, L. V. (2000). Applied elementary statistics for business economics (vol. 2). Pearson Education.

Würfel, P. (2009). Physics of solar cells (2nd ed.). Weinheim.

Cómo citar

APA

Barco Jiménez, J., Eraso Checa, F., Pantoja, A., & Caicedo Bravo, E. (2021). Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index. Tecnura, 25(70). https://doi.org/10.14483/22487638.18638

ACM

[1]
Barco Jiménez, J., Eraso Checa, F., Pantoja, A. y Caicedo Bravo, E. 2021. Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index. Tecnura. 25, 70 (nov. 2021). DOI:https://doi.org/10.14483/22487638.18638.

ACS

(1)
Barco Jiménez, J.; Eraso Checa, F.; Pantoja, A.; Caicedo Bravo, E. Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index. Tecnura 2021, 25.

ABNT

BARCO JIMÉNEZ, J.; ERASO CHECA, F.; PANTOJA, A.; CAICEDO BRAVO, E. Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index. Tecnura, [S. l.], v. 25, n. 70, 2021. DOI: 10.14483/22487638.18638. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18638. Acesso em: 20 ene. 2022.

Chicago

Barco Jiménez, John, Francisco Eraso Checa, Andrés Pantoja, y Eduardo Caicedo Bravo. 2021. «Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index». Tecnura 25 (70). https://doi.org/10.14483/22487638.18638.

Harvard

Barco Jiménez, J., Eraso Checa, F., Pantoja, A. y Caicedo Bravo, E. (2021) «Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index», Tecnura, 25(70). doi: 10.14483/22487638.18638.

IEEE

[1]
J. Barco Jiménez, F. Eraso Checa, A. Pantoja, y E. Caicedo Bravo, «Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index», Tecnura, vol. 25, n.º 70, nov. 2021.

MLA

Barco Jiménez, J., F. Eraso Checa, A. Pantoja, y E. Caicedo Bravo. «Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index». Tecnura, vol. 25, n.º 70, noviembre de 2021, doi:10.14483/22487638.18638.

Turabian

Barco Jiménez, John, Francisco Eraso Checa, Andrés Pantoja, y Eduardo Caicedo Bravo. «Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index». Tecnura 25, no. 70 (noviembre 30, 2021). Accedido enero 20, 2022. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18638.

Vancouver

1.
Barco Jiménez J, Eraso Checa F, Pantoja A, Caicedo Bravo E. Estimation of Global Solar Radiation Using NNARX Neural Networks Based on the UV Index. Tecnura [Internet]. 30 de noviembre de 2021 [citado 20 de enero de 2022];25(70). Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/18638

Descargar cita

Visitas

21

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.