David Díaz Vico, Data Scientist en el IIC y estudiante de doctorado en el Grupo de Aprendizaje Automático de la UAM, y José Dorronsoro catedrático de la Escuela Politécnica Superior de la UAM e investigador senior en el IIC, son los autores (junto con Alberto Torres Barrán y Adil Omari) del artículo Deep Neural Networks for Wind and Solar Energy Prediction, publicado en la revista Neural Processing Letters, que fomenta el intercambio de información en la comunidad de investigadores y usuarios de redes neuronales.
La investigación se ha realizado a partir de datos meteorológicos para conseguir la mejora en la predicción de la producción de energía eléctrica renovable a través de campos eólicos con aerogeneradores y placas solares.
El estudio de energía eólica se ha basado en datos obtenidos de los campos de molinos de viento de la Península Ibérica en general y de una rejilla concreta situada en los campos de molinos del parque eólico Sotavento, en Galicia.
Se han obtenido datos a partir de variables como la velocidad del viento, la presión del aire a distintas alturas, etc. El estudio de energía solar se ha basado en datos referentes a la red Mesonet de Oklahoma, Estados Unidos, donde se han recogido variables como la radiación solar y la temperatura.
En esta investigación se han utilizado modelos predictivos convolucionales, redes neuronales profundas, que han demostrado ser más efectivos que los modelos predictivos tradicionales.
Los modelos predictivos tradicionales no reconocen por sí mismos la estructura que pueden tener las variables, ya sea esta espacial o temporal. En este caso concreto, los datos se presentan normalmente con una estructura espacial.
Para poder aprovechar esa estructura, con modelos clásicos, es necesario hacer un pre-procesamiento de las variables muy manual. La innovación de esta investigación consiste en el uso de redes convolucionales, pensadas originalmente para procesar imágenes: los datos de variables meteorológicas han resultado ser muy parecidas a la estructura de una imagen. El uso de redes neuronales hace que se aproveche esa estructura espacial de las variables, semejante a la de las imágenes, sin tener que hacer a mano ningún trabajo previo.
Los resultados han sido muy positivos. Aunque los modelos son más difíciles de entrenar, se han mejorado los resultados. Estos resultados mejoran aún más cuando se utilizan ensembles (conjunto de modelos) de estos modelos.
El uso de modelos predictivos con redes profundas requiere hacer un esfuerzo considerable en la meta-parametrización y el entrenamiento. Aun así, este esfuerzo suele verse recompensado, ya que las redes profundas a menudo producen mejores resultados que otros modelos clásicos, como se ha demostrado en el artículo de Díaz-Vico y Dorronsoro.