La Dra. Yini Miró, investigadora de la Universidad Internacional Iberoamericana (UNIB), colabora en un estudio que propone un método basado en redes neuronales artificiales (ANN) para predecir y estimar la generación de energía a partir de los recursos híbridos de la energía eólica y solar en tiempo real.
Con el incremento de la demanda de energía debido al desarrollo industrial y el estilo de vida contemporáneo, hay una búsqueda global de recursos energéticos económicos y confiables. Además, el agotamiento de los recursos energéticos tradicionales, como el carbón y la energía hidroeléctrica, y el incremento de los precios de los combustibles fósiles, aceleran el impulso hacia el uso de la energía renovable.
Este tipo de energía ha ganado popularidad en los últimos años debido a la disminución de los costos de los materiales, los avances tecnológicos, su naturaleza amigable con el medio ambiente y las políticas gubernamentales favorables. Por otro lado, las energías solar y eólica son accesibles en todas partes, cada una con diferentes ventajas, y el mundo se está enfocando cada vez más en utilizar estos recursos renovables.
Aunque los paneles solares más eficientes aún son costosos, se ha demostrado que un sistema híbrido que combina las turbinas eólicas y los paneles solares es más efectivo. Sin embargo, estimar con precisión la generación de energía de estas fuentes puede resultar desafiante debido a su naturaleza intermitente y las variaciones de la intensidad entre el día y la noche.
Para abordar este desafío, la Dra. Miró, junto a otros investigadores, ha recurrido al poder de la inteligencia artificial. El objetivo de este estudio es contribuir en la predicción de los recursos renovables y mejorar la eficiencia de la generación de energía híbrida mediante el uso de ANN. Con este fin, se presenta un método innovador que emplea una serie de variables ambientales que correlaciona la velocidad del viento y la radiación solar. Estas variables incluyen datos de la temperatura, la humedad, la presión atmosférica, la radiación solar, el ángulo óptimo y los valores objetivos de las velocidades.
A través de una función de normalización y un algoritmo de entrenamiento Levenberg-Marquardt iterativo, el modelo de ANN logró reducir los errores inherentes a la estimación en comparación con otros métodos utilizados en la actualidad. Los resultados obtenidos en los experimentos demuestran la eficacia del enfoque, se logró una precisión del 2,08% en la predicción.
La aplicación de esta técnica de ANN en la predicción y estimación de los recursos híbridos eólicos y solares en tiempo real tiene importantes implicaciones prácticas y económicas. Permite una planificación eficiente del funcionamiento de los sistemas híbridos, lo que, a su vez, puede incrementar la cantidad de energía renovable, reducir los costos en la generación y aumentar la sostenibilidad del suministro eléctrico.
Además de su aplicación en la industria energética, este método también tiene un impacto potencial en áreas como la meteorología, la agricultura y la planificación del desarrollo urbano. La capacidad de predecir con precisión los recursos eólicos y solares puede contribuir al diseño de políticas y estrategias que promuevan el uso sostenible de las fuentes de energía renovable e impulsen la transición hacia una economía libre de emisiones de carbono.
Si quieres conocer más sobre este estudio, clic aquí.
Para leer más investigaciones, consulta el repositorio de UNIB.
La Universidad Internacional Iberoamericana (UNIB) ofrece la Maestría en Gestión y Auditorías Ambientales y la Maestría en Dirección Estratégica con Especialidad en Tecnologías de la Información.