Identificación de muestras de irradiancia solar de cielo claro mediante aprendizaje automático no supervisado

Resumen

Este trabajo presenta un enfoque para la detección de muestras de cielo claro a partir del análisis de series temporales de Irradiancia Global Horizontal (GHI) y técnicas del tipo no supervisadas de machine learning. Además, propone un modelo local de cielo claro ajustado mediante regresión tipo potencia sobre la Irradiancia Horizontal en el tope de la atmósfera, sobre las muestras obtenidas. Se desarrolló un detector de muestras de cielo claro basado en umbrales de derivadas (primera y segunda), clustering no supervisado utilizando el modelo Gaussian Mixture Models y análisis de densidad de datos vecinos para ser aplicados sobre una serie de GHI. La aplicación de este detector se realizó sobre datos de GHI provenientes del sitio Desert Rock (Estados Unidos) a escala de 1 minuto, extraídos de la red Surface Radiation Budget Network (SURFRAD). Se contrastaron las muestras detectadas con el algoritmo de Reno y Hansen (2016), utilizado como referencia. Estas muestras mostraron más del 90% de coincidencia. El modelo de cielo claro obtenido presentó métricas menores a un 10% en rRMSE con el modelo McClear.