A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

Resumen Técnico: Un Nuevo Modelo Híbrido VMD-TCN-BiGRU para la Predicción de la Irradiación Solar

Planteamiento del Problema
La energía solar es un componente crítico para la transición global hacia una energía sostenible; sin embargo, su integración en los sistemas energéticos se ve dificultada por la naturaleza intermitente de la irradiación solar (IS). La predicción precisa de la IS es esencial para las decisiones de inversión, la estabilidad de la red y el funcionamiento eficiente de los sistemas fotovoltaicos (FV). Aunque se han aplicado diversos métodos de aprendizaje automático (ML) y aprendizaje profundo (DL) para la predicción de la IS, la literatura existente a menudo depende de modelos clásicos o carece de arquitecturas híbridas potentes capaces de manejar la no linealidad de alto orden y la no estacionariedad inherentes a los datos meteorológicos a largo plazo. El desafío sigue siendo desarrollar un modelo que pueda extraer eficazmente las dependencias temporales y los componentes de frecuencia de conjuntos de datos climáticos complejos para lograr una precisión de predicción superior.

Metodología
Este estudio propone un nuevo marco de aprendizaje profundo híbrido que integra la Descomposición de Modo Variacional (VMD), Redes de Convolución Temporal (TCN) y Unidades Recurrentes Gated Bidireccionales (BiGRU). El modelo se aplicó para predecir la IS mensual para el distrito de Karapınar en Konya, Turquía, utilizando datos meteorológicos a largo plazo (enero de 1984 – diciembre de 2025) obtenidos de NASA POWER.

La arquitectura propuesta opera a través de cuatro etapas secuenciales:

1. Preprocesamiento de Datos: Los datos brutos de la IS se someten a una transformación logarítmica ($x(t) = \log(1+y(t))$) para mitigar los efectos de los picos repentinos y el ruido, seguido de una normalización al rango $[0, 1]$.
2. Descomposición Basada en VMD: La señal preprocesada se descompone en $K=6$ Funciones de Modo Intrínseco (IMF) únicas. Este paso aísla las estructuras lineales y no estacionarias, permitiendo que las capas subsiguientes identifiquen patrones periódicos únicos dentro de bandas de frecuencia específicas.
3. Motor Jerárquico TCN-BiGRU: Cada componente IMF es procesado en paralelo por un bloque de aprendizaje profundo:
   • Capa TCN: Utiliza convoluciones causales dilatadas para capturar dependencias temporales de largo plazo con un campo receptivo expandido, extrayendo características jerárquicas de las IMF.
   • Capa BiGRU: Procesa las características de la TCN en ambas direcciones (hacia adelante y hacia atrás) para capturar relaciones temporales bidireccionales, evitando la pérdida de datos y mitigando los problemas de desvanecimiento de gradiente comunes en las RNN estándar.
4. Agregación y Reconstrucción: Las predicciones para cada una de las seis IMF se suman para reconstruir la señal final. Se aplica una transformación logarítmica inversa ($\exp(x) - 1$) para convertir la salida de nuevo a las unidades originales ($kW\cdot h/m^2/día$).

Evaluación Comparativa (Benchmarking)
El rendimiento del modelo propuesto VMD-TCN-BiGRU fue comparado rigurosamente contra ocho algoritmos establecidos: XGBoost, Light Gradient Boosting Machine (LGBM), Red Neuronal Convolucional (CNN), Árbol de Decisión (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM) e Histogram-Based Gradient Boosting (HGB). Todos los modelos fueron entrenados utilizando una división de 80/20 del conjunto de datos empleando estrategias idénticas de optimización de hiperparámetros.

Resultados Clave
El estudio utilizó múltiples métricas de evaluación, incluyendo el Error Cuadrático Medio (MSE), la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE), el Error Porcentual Absoluto Medio (MAPE), el Coeficiente de Determinación ($R^2$) y la Desviación de la Predicción de Residuos (RPD).

• Reducción de Error: El modelo híbrido propuesto logró las tasas de error más bajas entre los nueve modelos, con un MSE de 0.0593, un RMSE de 0.2434, un MAE de 0.1879 y un MAPE de 4.14%.
• Poder Explicativo: El modelo alcanzó el valor de $R^2$ más alto de 0.9849, lo que indica que modeló exitosamente casi toda la variabilidad del conjunto de datos.
• Fiabilidad (RPD): El modelo alcanzó un valor de RPD de 8.137, superando significativamente al siguiente mejor modelo (XGBoost con 6.037). Un RPD por encima de 8.0 sugiere que el modelo es altamente fiable para aplicaciones prácticas.
• Estabilidad y Generalización: Un análisis de validación cruzada de 10 pliegues confirmó la estabilidad del modelo, con valores de $R^2$ que oscilaron entre 97.05% y 99.34% en todos los pliegues, demostrando robustez contra el sobreajuste.
• Distribución de Error: Los análisis de histograma y densidad de probabilidad revelaron que los errores del modelo propuesto estaban más concentrados alrededor de cero con la menor dispersión, mientras que otros modelos exhibieron colas de error más anchas y mayor desviación.

Significancia y Reivindicaciones
Los autores afirman que el modelo híbrido VMD-TCN-BiGRU representa un avance significativo en la predicción de la IS al abordar las limitaciones de los modelos de arquitectura única. El estudio sostiene que la integración de VMD separa eficazmente el ruido y los componentes de la señal compleja, mientras que la combinación TCN-BiGRU aprovecha tanto la extracción de características locales como el aprendizaje temporal bidireccional.

El artículo concluye que este enfoque híbrido ofrece mayor precisión y fiabilidad que los métodos estándar de ML y DL (incluyendo CNNs y LSTMs) para el pronóstico de la IS mensual a largo plazo. Los autores posicionan el modelo como una herramienta superior para la gestión de la energía, la planificación de la red y la optimización de sistemas FV, particularmente en regiones con alto potencial solar como Karapınar. La investigación destaca que la combinación específica de descomposición de señal y aprendizaje profundo bidireccional es la clave para alcanzar el nivel de precisión del 98.5% reportado. El trabajo futuro sugerido por los autores incluye probar el modelo en diferentes zonas climáticas y explorar su aplicación a otras fuentes de energía renovable como la eólica.