Reconfiguración fotovoltaica y predicción de carga residencial mediante aprendizaje profundo: revisión bibliográfica
Palabras clave:
Arreglos fotovoltaicos, sombreado parcial, reconfiguración dinámica, aprendizaje profundo, predicción de carga residencial, gestión energéticaResumen
La integración de generación fotovoltaica distribuida en redes residenciales enfrenta dos desafíos persistentes, esto es, la degradación de potencia bajo sombreado parcial y la variabilidad de la demanda en presencia de almacenamiento por baterías y vehículos eléctricos. El presente trabajo desarrolla una revisión bibliográfica con análisis comparativo cuantitativo sobre las estrategias de reconfiguración de arreglos fotovoltaicos y los modelos de predicción de carga residencial basados en aprendizaje profundo. Se examinaron quince fuentes de acceso abierto publicadas entre 2020 y 2024, seleccionadas mediante criterios de pertinencia temática, disponibilidad de datos numéricos y rigor metodológico. El análisis se estructuró en cuatro ejes, a saber, configuraciones estáticas y dinámicas de arreglos, predicción de irradiancia y potencia fotovoltaica, predicción de carga residencial detrás del medidor, e integración con sistemas de almacenamiento. Los hallazgos, sintetizados en dos tablas comparativas, revelan ganancias de potencia entre el cinco y el veinticinco por ciento mediante reconfiguración basada en redes convolucionales, así como reducciones consistentes del error de pronóstico con arquitecturas híbridas LSTM-TCN y LSTM-SAE, finalmente, se concluye que la convergencia entre reconfiguración y predicción constituye una vía prometedora para la gestión energética residencial, aunque persisten brechas en la validación experimental integrada.
Descargas
Referencias
Ajmal, A. M., Sudhakar Babu, T., Ramachandaramurthy, V. K., Yousri, D., & Ekanayake, J. B. (2020). Static and dynamic reconfiguration approaches for mitigation of partial shading influence in photovoltaic arrays. Sustainable Energy Technologies and Assessments, 40, 100738. https://doi.org/10.1016/j.seta.2020.100738
Aksan, F., Suresh, V., & Janik, P. (2024). Optimal capacity and charging scheduling of battery storage through forecasting of photovoltaic power production and electric vehicle charging demand with deep learning models. Energies, 17(11), Article 2718. https://doi.org/10.3390/en17112718
Alam, M. M., Rahman, M. H., Ahmed, M. F., Chowdhury, M. Z., & Jang, Y. M. (2022). Deep learning based optimal energy management for photovoltaic and battery energy storage integrated home micro-grid system. Scientific Reports, 12(1), Article 15092. https://doi.org/10.1038/s41598-022-19147-y
Ameen, F., Siddiq, A., Trohák, A., & Benotsmane, R. (2024). A scalable hierarchical dynamic PV array reconfiguration under partial shading. Energies, 17(1), Article 181. https://doi.org/10.3390/en17010181
El-Shahat, D., Tolba, A., Abouhawwash, M., & Abdel-Basset, M. (2024). Machine learning and deep learning models based grid search cross validation for short-term solar irradiance forecasting. Journal of Big Data, 11(1), Article 163. https://doi.org/10.1186/s40537-024-00991-w
Ganesan, S., David, P. W., Balachandran, P. K., & Colak, I. (2024). Power enhancement in PV arrays under partial shaded conditions with different array configuration. Heliyon, 10(2), e23992. https://doi.org/10.1016/j.heliyon.2024.e23992
Li, S., Zhang, T., & Yu, J. (2023). Photovoltaic array dynamic reconfiguration based on an improved pelican optimization algorithm. Electronics, 12(15), Article 3317. https://doi.org/10.3390/electronics12153317
Limouni, T., Yaagoubi, R., Bouziane, K., Guissi, K., & Baali, E. H. (2023). Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model. Renewable Energy, 205, 1010–1024. https://doi.org/10.1016/j.renene.2023.01.118
Mbey, C. F., Kakeu, V. J. F., Boum, A. T., & Souhe, F. G. Y. (2024). Solar photovoltaic generation and electrical demand forecasting using multi-objective deep learning model for smart grid systems. Cogent Engineering, 11(1), Article 2340302. https://doi.org/10.1080/23311916.2024.2340302
Ncir, N., El Akchioui, N., & El Fathi, A. (2023). Enhancing photovoltaic system modeling and control under partial and complex shading conditions using a robust hybrid DE-FFNN MPPT strategy. Renewable Energy Focus, 47, 100504. https://doi.org/10.1016/j.ref.2023.100504
Nguyen-Duc, T., Le-Viet, T., Nguyen-Dang, D., Dao-Quang, T., & Bui-Quang, M. (2022). Photovoltaic array reconfiguration under partial shading conditions based on short-circuit current estimated by convolutional neural network. Energies, 15(17), Article 6341. https://doi.org/10.3390/en15176341
Saiprakash, C., Mohapatra, A., Nayak, B., Babu, T. S., & Alhelou, H. H. (2022). A novel Benzene structured array configuration for harnessing maximum power from PV array under partial shading condition with reduced number of cross ties. IEEE Access, 10, 129712–129726. https://doi.org/10.1109/ACCESS.2022.3228049
Villegas-Mier, C. G., Rodriguez-Resendiz, J., Álvarez-Alvarado, J. M., Rodriguez-Resendiz, H., Herrera-Navarro, A. M., & Rodríguez-Abreo, O. (2021). Artificial neural networks in MPPT algorithms for optimization of photovoltaic power systems: A review. Micromachines, 12(10), Article 1260. https://doi.org/10.3390/mi12101260
Zaboli, A., Kasimalla, S. R., Park, K., Hong, Y., & Hong, J. (2024). A comprehensive review of behind-the-meter distributed energy resources load forecasting: Models, challenges, and emerging technologies. Energies, 17(11), Article 2534. https://doi.org/10.3390/en17112534
Zaboli, A., Tuyet-Doan, V. N., Kim, Y. H., Hong, J., & Su, W. (2023). An LSTM-SAE-based behind-the-meter load forecasting method. IEEE Access, 11, 49378–49392. https://doi.org/10.1109/ACCESS.2023.3276646
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Andy Jair Campuzano-Bulgarin, Alex Rafael Plazas-Durán, Diana Carolina Decimavilla-Alarcón, Juan Carlos Rodríguez-Villavicencio, Jorge Xavier Avila-Salas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
