Obtención de Modelo Matemático para Predecir la Potencia de un Sistema Fotovoltaico Empleando IoT
Palabras clave:
API, Fotovoltaico, IoT, Modelo matemáticoResumen
En este trabajo se presenta la obtención de un modelo
matemático para predecir la potencia generada en un sistema
fotovoltaico empleando internet de las cosas (IoT). Para la generación
del modelo se obtuvieron datos climatológicos de la API
Meteomatics y del portal web del proveedor de inversores solares
GoodWe durante 15 días. Del portal web se obtuvieron datos
reales de generación de un sistema fotovoltaico, con estos datos
se generó y validó una regresión multivariable usando el software
SPSS de IBM. El modelo obtenido reproduce con una exactitud del
96.4% (para días despejados) la potencia real con una resolución
de 15 minutos.
Descargas
Citas
Arif, M., & Hasan, M. (2018). Microgrid architecture, control, and operation. Hybrid-Renewable Energy System in Micrigrids, 23-37. https://doi.org/10.1016/B978-0-08-102493-5.00002-9
Baptista, D., Abreu, S., Travieso-González, C., & Morgado-Dias, F. (2016). Hardware implementation of an artificial neural network model to predict the energy production of a photovoltaic system. Microprocessors and Microsystems. https://doi.org/10.1016/j.micpro.2016.11.003
Cristaldi, L., Faifer, M., Rossi, M., & Ponci, F. (2012). A Simple Photovoltaic Panel Model: Characterization Procedure and Evaluation of the Role of Environmental Measurements. IEEE Transactions on Instrumentation and Measurement, 2632-2641.
Datta, U., Kalam, A., & Shi, J. (2018). Hybrid PV-wind renewable energy sources for microgrid application: an overview. Hybrid Renewable. Energy Systems in Microgrid, 1-22.
Fengler , D. (2021). Meteomatics. Obtenido de Build insights and solutions using Meteomatics Data to improve decision making, realize efficiencies and save costs. https://www.meteomatics.com/en/
Fundación Guanajuato Produce. (2021). Fundación Guanajuato Produce, AC. Obtenido de Datos de la red de estaciones: http://www.fundacionguanajuato.mx/es/contacto/
Ganguly, P., Kalam, A., & Zayegh, A. (2018). Solar–wind hybrid renewable energy system: current status of research on configurations, control, and sizing methodologies. Hybrid-Renewable. Energy Systems in Microgrids, 219-248.
GoodWe (2021). Acerca de GoodWe. Consultado el 27 de abril del 2021. Recuperado de https://es.goodwe. com/quienes-somos.asp
Granda-Gutierrez, E. O.-G. (2013). Modelado y Simulación de Celdas y Paneles Solares. Congr. Int. Ing. Electrón. Mem. Electro, 17-22.
Gulin, M., Pavlović, T., & Vašak, M. (2017). A one-day-ahead photovoltaic array power production prediction with combined static and dynamic on-line correction. Solar Energy.
Liu, L., Liu, D., Sun, Q., Li, H., & Wennersten, R. (2017). Forecasting power output of photovoltaic system using a BP network method. Energy Procedia, 780-786.
Norzagaray, J. H. (1996). Implementación de un Sistema Automatizado de Adquisición de Datos Meteorológicos y Solarimétricos.
SA, P. (2020). PVsyst 7 Help. Obtenido de Array incidence loss (IAM): https://www.pvsyst.com/help/iam_loss.htm
Sood, V., & Abdelgawad, H. (2019). Microgrid architectures. Energy Resources in Microgrids, 1-31.
Wheater Spark (2021). El clima promedio en Celaya. Consultado el 27 de abril del 2021. Recuperado de: https://es.weatherspark.com/y/5015/Clima-promedio-en-Celaya-M%C3%A9xico-durante-todoela%C3%B1o#:~:text=El%20clima%20promedio%20en%20Celaya,m%C3%A1s%20de%2034%20%C2%B0C
