Análisis del componente principal para reducir datos de radiación solar, caso de estudio Monterrey, Nuevo León
Keywords:
radiación solar, AMM, variables meteorológicas, energía eléctricaAbstract
El estudio de variables meteorológicas conlleva el manejo de grandes cantidades de mediciones, lo que genera bases de datos densas con características estocásticas, es decir, con débil correlación entre los datos registrados (Kettaneh, Berglund y Wold, 2005). En general, es muy común utilizar la mayor cantidad de datos disponible para garantizar que se está estudiando adecuadamente cada variable implicada (Cadenas y Rivera, 2010). Particularmente la radiación solar (RS), que puede ser explotada para producir energía eléctrica y es muy susceptible a los cambios de las condiciones meteorológicas (Tiwari, Tiwari y Shyam, 2016). Esto implica que, a pesar de tener una noción certera de la energía solar disponible para cada hora de cada día del año para un cierto punto geográfico, existen variaciones que deben ser consideradas en los cálculos asociados al diseño y operación de sistemas que funcionan con energía solar, particularmente sistemas fotovoltaicos y plantas termosolares (Rangel et al., 2020).
Downloads
References
Cadenas, E. et al. (2019). Wind speed variability study based on the Hurst coefficient and fractal dimensional analysis. Energy Science & Engineering. 7(2):361-378. Doi: 10.1002/ese3.277
Cadenas, E., y Rivera, W. (2010). Wind speed forecasting in three different regions of Mexico , using a hybrid ARIMA e ANN model. Renewable Energy. Elsevier Ltd. 35(12):2732-2738. Doi: 10.1016/j.renene.2010.04.022
Islas Arizpe, J.L. et al. (2007). Aplicación de análisis de componente principal en sistemas eléctricos de potencia. Ingenierias UANL. X(34):51-58.
Fluke Corporation. (2020). Medidor de radiación solar Fluke IRR1-SOL. Medidor de radiación solar Fluke IRR1-SOL. Madrid, Madrid, España. Disponible en: https://www.redeweb.com/ficheros/catalogo-medidor-irradiancia-solar.pdf
Grané, A., y Jach, A. (2014). Applications of principal component analysis (PCA) in food science and technology. In Daniel Granato y Gastón Ares (edit.). Mathematical and statistical methods in food science and technology, pp. 57-87.
Jollife, I., y Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transitions A. Royal society. 374(2065):1-16. Doi: http://dx.doi.org/10.1098/rsta.2015.0202
Kettaneh, N., Berglund, A., y Wold, S. (2005). PCA and PLS with very large data sets. Computational Statistics and Data Analysis. 48:69-85. Doi: 10.1016/j.csda.2003.11.027
Martínez-Álvarez, F. et al. (2015). A Survey on Data Mining Techniques Applied to Electricity-Related Time Series Forecasting. Energies. 8(11): 13162-13193. Doi: 10.3390/en81112361
Rangel, E., et al. (2020). Enhanced Prediction of Solar Radiation Using NARX Models with Corrected Input Vectors. Energies. 13(10):1-22. Doi: 10.3390/en13102576
Luna-Rubio, R, et al. (2012). Optimal sizing of renewable hybrids energy systems : A review of methodologies. Solar Energy. 86(4):1077–1088. Doi: 10.1016/j.solener.2011.10.016
Tiwari, G.N., Tiwari, A., y Shyam. (2016). Handbook of Solar Energy. Springer Science+Business Media Singapore. Doi: 10.1007/978-981-10-0807-8
Wang, S. y Xiao, F. (2004). AHU sensor fault diagnosis using principal component analysis method. Energy and Buildings. 36(2):147-160. Doi: 10.1016/j.enbuild.2003.10.00
Wilks, S.S. (1963). Multivariate Statistical Outliers. Sankhyā: The Indian Journal of Statistics, Series A (1961-2002). 25(4): 407-426. Disponible en: http://www.jstor.org/stable/25049292
