Modelo de red neuronal para determinar la temperatura de módulos fotovoltaicos en aplicaciones BIPV

Abstract

[spa] La integración de sistemas fotovoltaicos en edificios, conocida por el acrónimo anglosajón BIPV, va a jugar un papel importante en la sostenibilidad energética de las ciudades por su contribución al concepto de edificio de energía casi cero (NZEB). La modelización de sistemas BIPV supone un desafío respecto a la simulación de sistemas fotovoltaicos convencionales. El tipo de sistema, la disposición y ubicación del edificio y las posibles sombras son aspectos, entre otros, que confieren complejidad a la modelización de la conversión eléctrica de los distintos sistemas BIPV. Asimismo, los modelos habituales para estimar la temperatura del módulo producen mayor incertidumbre debido a la distinta configuración de los sistemas BIPV respecto a la fotovoltaica convencional. En este trabajo se explora el uso de redes neuronales artificiales y algoritmos de aprendizaje automático para modelar la temperatura de operación de módulos fotovoltaicos en sistemas BIPV y se comparan con los modelos convencionales.

[eng] Building integrated photovoltaics, BIPV, will play a significant role in the energy sustainability of the cities due to the positive contribution to the concept of nearly zero energy building (NZEB). BIPV systems modeling is challenging compared to conventional PV systems. The different BIPV types, the characteristics, position and features of the building and the shadowing add complexity to modeling the energy conversion of the different BIPV systems. Likewise usual models for calculating the module temperature might have larger uncertainties due to the differences between BIPV and conventional PV configuration. In this work the use of artificial neural networks and machine learning algorithms in modeling the module temperature for BIPV systems is analyzed and compared to the prediction of conventional temperature models.