E-Solar: Una Herramienta para la evaluación del Recurso Solar basada en una arquitectura Big Data sobre un ambiente PySpark

Luis Eduardo Ordoñez Palacios; Víctor Bucheli Guerrero; Eduardo Caicedo Bravo

doi:10.14482/inde.43.01.456.089

Autores/as

Luis Eduardo Ordoñez Palacios Universidad del Valle (Colombia) https://orcid.org/0000-0001-5154-9472
Víctor Bucheli Guerrero Universidad del Valle (Colombia) https://orcid.org/0000-0002-0885-8699
Eduardo Caicedo Bravo Universidad del Valle (Colombia) https://orcid.org/0000-0003-0727-2917

DOI:

https://doi.org/10.14482/inde.43.01.456.089

Palabras clave:

Aprendizaje automático, Big data, MapR, PySpark, Radiación solar

Resumen

Con el tiempo, diversos investigadores han creado modelos matemáticos, estadísticos y predictivos para evaluar el recurso solar. Sin embargo, su implementación en herramientas técnicas limita su utilización por usuarios no técnicos. Además, el procesamiento de datos para estimar la radiación solar suele requerir hardware potente. Este estudio presenta una herramienta basada en Big data que utiliza archivos planos e imágenes de satélite para estimar la radiación solar en Colombia. Se desarrolló un modelo con técnicas de aprendizaje automático y varios lenguajes de programación. Se ejecuta en MapR, una distribución del ecosistema Hadoop con un amplio conjunto de capacidades Big data y emplea la API de PySpark para procesar datos en paralelo en un clúster de computadoras. La herramienta E-Solar implementada en un servidor web fue evaluada por profesionales del sector energético. Se analizó la usabilidad, se verificó la conformidad con estándares de programación recientes y se identificaron perfiles de usuarios interesados. Los datos de radiación solar generados por la herramienta son fundamentales para proyectos solares. Además, la herramienta proporciona apoyo a investigadores y organizaciones; y facilita la toma de decisiones en la implementación de sistemas fotovoltaicos al ofrecer información relevante sobre el comportamiento del recurso solar en Colombia.

Citas

X. Zheng, D. Streimikiene, T. Balezentis, A. Mardani, F. Cavallaro, y H. Liao, «A review of greenhouse gas emission profiles, dynamics, and climate change mitigation efforts across the key climate change players», Journal of Cleaner Production, vol. 234, pp. 1113-1133, oct. 2019, doi: 10.1016/j.jclepro.2019.06.140.

L. E. Ordoñez Palacios, V. Bucheli Guerrero, y H. Ordoñez, «Machine Learning for Solar Resource Assessment Using Satellite Images», Energies, vol. 15, n.o 11, Art. n.o 11, ene. 2022, doi: 10.3390/en15113985.

NOAA, «NOAA’s Office of Satellite and Product Operations», 2021. https://www.ospo.noaa.gov/Operations/GOES/13/index.html (accedido 30 de marzo de 2021).

«PySpark Overview — PySpark master documentation». Accedido: 7 de junio de 2024. [En línea]. Disponible en: https://spark.apache.org/docs/latest/api/python/index.html.

Apache Spark, «Overview - Spark 3.5.1 Documentation», 2024. https://spark.apache.org/docs/latest/ (accedido 7 de junio de 2024).

«Get started wirh Django», Django Project. Accedido: 8 de julio de 2024. [En línea]. Disponible en: https://www.djangoproject.com/

«JavaScript | MDN». Accedido: 8 de julio de 2024. [En línea]. Disponible en: https://developer.mozilla.org/es/docs/Web/JavaScript

L. E. Ordónez Palacios, «Dashboard E-Solar». 26 de noviembre de 2022. Accedido: 21 de marzo de 2023. [Python]. Disponible en: https://github.com/luise-phd/dashboard

NASA, «POWER | Data Access Viewer», 2021. https://power.larc.nasa.gov/data-access-viewer/ (accedido 21 de marzo de 2023).

Scikit-learn, «scikit-learn: machine learning in Python — scikit-learn 1.2.2 documentation», 2007. https://scikit-learn.org/stable/ (accedido 21 de marzo de 2023).

developers XGBoost, «XGBoost Documentation — xgboost 1.7.4 documentation», 2022. https://xgboost.readthedocs.io/en/stable/ (accedido 22 de febrero de 2023).

IDEAM, «Consulta y Descarga de Datos Hidrometeorológicos», 2020. http://dhime.ideam.gov.co/atencionciudadano/ (accedido 21 de marzo de 2023).

C. Wu et al., «China’s agricultural machinery operation big data system», Computers and Electronics in Agriculture, vol. 205, p. 107594, feb. 2023, doi: 10.1016/j.compag.2022.107594.

F. Rodríguez, A. Fleetwood, A. Galarza, y L. Fontán, «Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control», Renewable Energy, vol. 126, pp. 855-864, oct. 2018, doi: 10.1016/j.renene.2018.03.070.

M. K. Boutahir, Y. Farhaoui, M. Azrour, I. Zeroual, y A. El Allaoui, «Effect of Feature Selection on the Prediction of Direct Normal Irradiance | TUP Journals & Magazine | IEEE Xplore». Accedido: 7 de junio de 2024. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9832772

A. A. Tehrani, O. Veisi, B. V. Fakhr, y D. Du, «Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking», Sustainable Cities and Society, vol. 100, p. 105042, ene. 2024, doi: 10.1016/j.scs.2023.105042.

M. Cuesta, J. Constante, y D. Jijón, «Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes», Revista Técnica Energía, vol. 19, pp. 81-89, ene. 2023, doi: 10.37116/revistaenergia.v19.n2.2023.552.

L. Cárdenas, D. Hurtado, y R. Moreno, «Predicción de radiación solar mediante deep belief network», Revista Tecnura, vol. 20, p. 39, ene. 2016, doi: 10.14483/udistrital.jour.tecnura.2016.1.a03.

Vinod, R. Kumar, y S. K. Singh, «Solar photovoltaic modeling and simulation: As a renewable energy solution», Energy Reports, vol. 4, pp. 701-712, nov. 2018, doi: 10.1016/j.egyr.2018.09.008.

S. R. Pendem y S. Mikkili, «Modeling, simulation and performance analysis of solar PV array configurations (Series, Series–Parallel and Honey-Comb) to extract maximum power under Partial Shading Conditions», Energy Reports, vol. 4, pp. 274-287, nov. 2018, doi: 10.1016/j.egyr.2018.03.003.

N. Abdullahi, C. Saha, y R. Jinks, «Modelling and performance analysis of a silicon PV module», Journal of Renewable and Sustainable Energy, vol. 9, n.o 3, p. 033501, may 2017, doi: 10.1063/1.4982744.

Apache Hive, «LanguageManual - Apache Hive - Apache Software Foundation», 2022. https://cwiki.apache.org/confluence/display/Hive/LanguageManual (accedido 4 de abril de 2023).

MapR, «HPE Ezmeral Data Fabric 7.2 Documentation», 2022. https://docs.datafabric.hpe.com/72/install.html (accedido 20 de marzo de 2023).

Apache Drill, «Documentation - Apache Drill», 2022. https://drill.apache.org/docs/ (accedido 4 de abril de 2023).

Hue, «Quick Start?:: Hue SQL Assistant Documentation», 2022. https://docs.gethue.com/quickstart/ (accedido 4 de abril de 2023).

Highcharts, «Highcharts Documentation | Highcharts», 2020. https://highcharts.com/docs/index (accedido 4 de abril de 2023).

«Apache Hadoop». Accedido: 8 de julio de 2024. [En línea]. Disponible en: https://hadoop.apache.org/

HOMER, «HOMER Pro - Microgrid Software for Designing Optimized Hybrid Microgrids», 2021. https://www.homerenergy.com/products/pro/index.html (accedido 9 de junio de 2021).