NEXT: tecnología del algoritmo

El algoritmo de NEXT se basa en una metodología de aprendizaje estadístico por conjuntos de tipo k-nearest neighbours (k-NN).

Combina varias fuentes de datos de entrada complementarias y relevantes a diferentes escalas espaciales y temporales (NWP, satélite y mediciones in situ). El algoritmo busca motivos similares a la situación meteorológica actual en el historial de datos, utilizando un método avanzado de estimación de la similitud entre dos situaciones meteorológicas desarrollado internamente.

El algoritmo de NEXT está diseñado para superar los límites actuales tomando como entrada no solo los datos brutos de las distintas fuentes, sino también los datos transformados mediante modelos estándar que suelen ofrecerse como tales en el mercado.

NEXT toma como entrada de forma nativa una combinación de varios modelos meteorológicos, así como previsiones de mapas de radiación solar procedentes de imágenes de satélite combinadas con técnicas de previsión sólidas y probadas, como el CMV (Cloud Motion Vector).

NEXT es capaz de realizar previsiones de radiación solar horizontal o inclinada, así como datos de producción directamente.

NEXT Advanced, su versión más potente, incorpora un registro de las mediciones de la localización en tiempo real. El algoritmo las utiliza para elaborar previsiones siempre actualizadas basadas en las últimas observaciones.

Todo ello permite a NEXT Advanced combinar la precisión aportada por la previsión de una sola fuente de datos de última generación en un algoritmo único capaz de asignar pesos pertinentes a sus fuentes para todos los horizontes temporales, de forma continua, a la vez que se calibra constantemente con datos reales aportados por los sensores in situ.

En su versión estándar, NEXT funciona sin aporte de datos de la localización, con un rendimiento equivalente a Next Advanced, en horizontes de medio a largo plazo.

La tecnología utilizada por NEXT funciona buscando similitudes en el historial de la combinación de datos de entrada. Permite generar previsiones de conjunto probabilísticas, calibradas en función del valor objetivo que se desea predecir.

Este método permite identificar un conjunto de instantes en el historial para los que los predictores indicaron una situación meteorológica similar. Por consiguiente, toda la incertidumbre vinculada a la variabilidad de las observaciones que se puede obtener para una misma situación está contenida en este conjunto de observaciones. 

No nos contentamos con modelizar explícitamente la incertidumbre vinculada al error de los parámetros del modelo, como hacen tradicionalmente los métodos bootstrap o de conjunto NWP, sino la incertidumbre total del modelo, incluida la vinculada al sesgo del modelo. El algoritmo está configurado para proporcionar de forma nativa cuantiles probabilísticos que van de P5 al P95 en incrementos del 5 %, muy bien calibrados con los cuantiles reales observados en las mediciones (o en los datos de satélite, en el caso del modo sin datos in situ).

Al utilizar NEXT, el gestor de activos tiene garantizado el acceso a cuantiles de predicción fiables que representan la verdadera variabilidad e incertidumbre de los datos in situ, lo que permite construir escenarios de producción realistas.

Publicationes relacionadas

• https://hal.science/hal-02369413
• https://ieeexplore.ieee.org/document/8706264
• https://doi.org/10.3390/en14164951