Reconstrucción de series de irradiancia global horizontal con huecos sintéticos mediante modelos de machine learning y datos satelitales. Caso de estudio: El Rosal, Salta
Cargando...
Archivos
Fecha
2025
Título de la revista
ISSN de la revista
Título del volumen
Editor
ASADES
Resumen
La radiación solar global sobre plano horizontal (GHI) es clave para el diseño y optimización de sistemas de energía solar, pero sus registros suelen presentar datos faltantes originados en fallas de instrumentación o mantenimiento. Este trabajo compara tres estrategias basadas en Machine Learning —regresión lineal simple (SLR), regresión lineal múltiple (MLR) y perceptrón multicapa (MLP)— para la imputación de datos faltantes. También se emplean productos satelitales (CAMS), de reanálisis (ERA5) y estimaciones del modelo ARGP2 para mejorar la precisión de las predicciones. Para evaluar el desempeño de los modelos, se generaron huecos sintéticos de manera semi-aleatoria, en una serie de GHI de la localidad El Rosal, Salta, Argentina. En todos los casos el MLP logró los menores errores (rRMSD entre 18 % y 21 %), seguido por MLR (rRMSD entre 20 % y 24 %) y SLR (rRMSD entre 21 % y 26 %).
Descripción
Palabras clave
Irradiancia solar, machine learning, CAMS, ERA5, series temporales, gap filling
Citación
López Ruiz, Constanza B. - Reconstrucción de series de irradiancia global horizontal con huecos sintéticos mediante modelos de machine learning y datos satelitales. Caso de estudio: El Rosal, Salta / Constanza B. López Ruiz...(et. al). En Energías Renovables Y Medio Ambiente - AVERMA Vol.29. Pág. 484–499