Heuristic-machine learning models for solar radiation forecasting in Köppen climate zones

Resumen

Este estudio analiza la efectividad de un enfoque integrado heurístico–aprendizaje automático para predecir la radiación solar en distintas zonas climáticas de Köppen. El objetivo fue optimizar el proceso de selección de modelos para zonificación solar, caracterizando patrones de radiación en diversas regiones geográficas. Se evaluaron 107 modelos heurísticos en 1 216 estaciones meteorológicas automáticas distribuidas en zonas tropicales, áridas y templadas. El desempeño de los modelos se midió con base en criterios como similitud de datos y distancia, para determinar los más efectivos. De los 107 modelos probados, 98 resultaron óptimos para al menos una estación; sin embargo, solo el 35.4 % de las estaciones alcanzaron el umbral mínimo de desempeño (38.7 % en clima A, 31.5 % en clima B y 26.3 % en clima C). Se emplearon Kmeans++, Hierarchical Clustering y Density-Based Spatial Clustering of Applications with Noise (DBSCAN) para clasificar regiones según la irradiancia solar, integrando datos climáticos (tipos de clima Köppen y variables meteorológicas) con ubicación geográfica. Los resultados muestran patrones de agrupamiento significativos vinculados a climas específicos, evidenciando la correlación entre la radiación solar, la dispersión de datos y los subtipos climáticos. En el clima A, los clústeres se formaron principalmente en subtipos tropicales con precipitaciones irregulares, favoreciendo modelos lineales y polinomiales multivariados. En clima B, se agruparon en desiertos cálidos con lluvias invernales, prefiriendo modelos lineales multivariados diarios. En clima C, los modelos óptimos se identificaron solo en estaciones con clima templado, baja dispersión y condiciones suaves. Hubo diferencias claras entre el agrupamiento basado en clima y el basado en dispersión de datos: el primero se alineó con subtipos climáticos, mientras que el segundo captó dependencias geográficas. El método DBSCAN fue especialmente eficaz en climas áridos y templados. Esta investigación no solo aclara la relación entre tipos de clima y rendimiento de los modelos, sino que también perfecciona la metodología para seleccionar modelos apropiados en regiones con datos limitados, contribuyendo de forma significativa al avance de modelos gray-box para la predicción de radiación solar.

Impacto en la electrificación del transporte:

• La mejora en la predicción de radiación solar por zonas climáticas optimiza la ubicación y dimensionamiento de sistemas fotovoltaicos para la recarga de vehículos eléctricos, reduciendo costos y aumentando la confiabilidad de la infraestructura.

• Permite integrar pronósticos más precisos en redes inteligentes de energía, facilitando la gestión eficiente de la demanda y el almacenamiento para el transporte eléctrico.