87
Victor Silveira
1
, Soa Orteli
2
, Everton de Almeida
3
, Gabriel Cazes
4
, Alejandro Gutiérrez
5
Recibido: 29/06/2023 y Aceptado: 16/10/2023
ENERLAC. Volumen VII. Número 2. Diciembre, 2023
ISSN: 2602-8042 (impreso) / 2631-2522(digital)
Modelo de pronóstico de potencia
solar empleando L.S.T.M. con datos de
entrada provenientes de simulaciones
con WRF-ARW.
1.- Instituto de Mecánica de los Fluidos e Ingeniería Ambiental, Facultad de Ingeniería, UdelaR. Uruguay, Docente grado 1
0000-0002-5021-5515
vsilveira@ng.edu.uy
2.- Instituto de Mecánica de los Fluidos e Ingeniería Ambiental, Facultad de Ingeniería, UdelaR. Uruguay, Docente grado 1
0000-0002-4533-1677
soao@ng.edu.uy
3.- Instituto de Mecánica de los Fluidos e Ingeniería Ambiental, Facultad de Ingeniería, UdelaR. Uruguay, Estudiante de postgrado, UdelaR.
0009-0008-6842-7154
ealmeida@ng.edu.uy
4.- Instituto de Mecánica de los Fluidos e Ingeniería Ambiental, Facultad de Ingeniería, UdelaR. Uruguay, Docente grado 4, Profesor agregado.
agcm@ng.edu.uy
5.- Instituto de Mecánica de los Fluidos e Ingeniería Ambiental, Facultad de Ingeniería, UdelaR. Uruguay, Docente grado 4, Profesor agregado.
0000-0002-0769-3861
aguti@ng.edu.uy
Solar power forecasting model with L.S.T.M. using input
data from WRF- ARW simulations.
88
89
Este trabajo describe un modelo de predicción de potencia solar con horizonte de pronóstico de 1 a 72
horas, mediante el acople de un modelo numérico de predicción atmosférica WRF acoplado con redes
neuronales LSTM. La predicción de potencia se realiza para las plantas solares de mayor potencia
instalada en Uruguay, así como para pronosticar la potencia total generada en el país. Las redes LSTM
utilizan como variables de entrada las variables de radiación de onda corta, temperatura a 2 metros y
la cantidad de contenido de agua líquida y vapor de agua integrado en el perl vertical, todas variables
simuladas numéricamente con WRF. Se hace uso de la declinación solar como variables adicionales.
Los resultados muestran una buena capacidad de pronóstico a corto plazo.
This paper presents a solar power prediction model with a forecast horizon ranging from 1 to 72 hours by
combining a WRF numerical weather prediction model with LSTM neural networks. The power prediction
is conducted for the highest installed capacity solar plants in Uruguay, as well as for forecasting the
total power generated in the country. The LSTM networks utilize shortwave radiation variables, 2-meter
temperature, and the amount of liquid water content and water vapor integrated over the vertical prole
as input variables, all simulated numerically with WRF. Solar declination is used as an additional variable.
The results demonstrate a strong forecasting capability in short term.
PALABRAS CLAVE: Predicción de Potencia Solar, LSTM, WRF, Modelos Numéricos de Predicción
Atmosférica, Datos reales.
KEYWORDS: Solar Power Forecasting, LSTM, WRF, Numerical Weather Prediction Model, Real Data.
Resumen
Abstract
90
En [1] se presenta la característica del recurso
solar en Uruguay, presentando las características
de la variabilidad estacional.
Los operadores del sistema eléctrico deben
siempre asegurar el correcto balance entre la
producción y el consumo eléctrico. Actualmente,
la operación segura y robusta de una red
eléctrica necesita los más precisos pronósticos
de potencia para lograr minimizar el uso de
centrales energéticas de reserva. En el año 2010
es refrendado el plan de políticas energéticas
2005-2030. Este apunta a la independencia
energética, así como a promover políticas de
eciencia energética tanto en industrias como en
hogares, mediante metas a corto (2015), mediano
(2020) y largo plazo (2030) [2]. El impacto de esta
nueva política energética se ve reejado a partir
de 2008 con un crecimiento mantenido de la
generación eólica y solar fotovoltaica, donde el rol
del pronóstico, así como su precisión, se vuelven
más y más relevantes [3].
El pronóstico de potencia tanto solar como eólica
se han vuelto herramientas operacionales cruciales
para la gestión de sistemas eléctricos nacionales,
así como regionales. En particular, países como
Uruguay, en que presenta una participación del
35.3% en energía eólica y 3.1% en energía solar
en la generación total de energía eléctrica del
país para el año 2021[4]. En función del horizonte
de tiempo se tienen diferentes estrategias de
pronóstico que resultan las más convenientes
desde el punto de vista del desempeño, en [5] se
presentan las herramientas aplicables en función
del horizonte temporal y la resolución espacial, en
dicho trabajo se destaca que los modelos basados
en imágenes satelitales como las desarrolladas
[6] pueden llegar a ser útiles hasta 6 horas, de
horizonte de pronóstico. En
[7] y [8] se presenta el uso de Redes neuronales
LSTM (del inglés Long Short-Term Memory)
para el pronóstico de la producción de energía
fotovoltaica.
1. INTRODUCCIÓN
Los modelos de mesoescala, así como el Weather
Research and Forecasting (WRF) [9], son capaces
de pronosticar variables atmosféricas a corto
plazo (desde 1 día a 1 una semana de horizonte
de pronóstico), mejorando su habilidad de
pronóstico mediante el aumento de la resolución
horizontal de su dominio. Sin embargo, predecir
con precisión la formación, desarrollo y disipación
de fenómenos como niebla y stratuscumulus de
baja altitud siguen presentando un desafío para los
modelos de predicción numérica. En particular, los
errores en la predicción de dichas nubes, impacta
directamente la calidad del pronóstico de potencia
solar [10]. En [11] se presenta el desempeño del
pronóstico de la radiación en plano horizontal
para un día a futuro en estaciones meteorológicas
obtenido a partir del modelo
de mesoescala WRF, siendo el modelo GFS
(Global Forecast System) como condiciones
iniciales y de borde para su ejecución
Se han desarrollado modelos de pronóstico de
potencia solar con ventana de pronóstico a 24
horas empleando redes neuronales articiales y
datos del European Centre for Medium- Range
Weather Forecasts (ECMWF) [12]. En el presente
trabajo, serán descritos un modelo operacional
con ventana de pronóstico de 1 a 72 horas
haciendo uso de Redes neuronales LSTM [13],
las cuales presentan la ventaja de hacer uso de la
información temporal de las variables de entrada
en horas cercanas a las de pronóstico.
91
2. DESCRIPCIÓN DE LAS PLANTAS SOLARES
Para este trabajo, se consideran doce plantas
solares, las cuales son las principales productoras
de energía solar en Uruguay. Su localización se
En la tabla 1 se presentan cada una de las
plantas solares, detallando nombre, potencia
instalada, coordenadas y alias, que será utilizado
Figura 1: Localización geográca de las principales plantas
solares en Uruguay
Tabla 1: Descripción de las plantas solares
Fuente: Elaboración propia
Fuente: Elaboración propia
presenta en la gura 1, en gran parte se disponen
sobre la región noreste del país, debido a la mayor
radiación solar disponible sobre esta región.
más adelante por practicidad. La potencia solar
instalada suma un total de 223.3 MW
Planta Solar Alias Potencia (MW) Coordenadas
DICANO
DEL LITORAL
LA JACINTA
EL NARANJAL
NATELU
PETILCORAN
ARAPEY
FENIMA
MENAFRA
YARNEL
RADITON
ALTO CIELO
DICA
DLIT
JACI
NARA
NATE
PETI
APEY
FENI
MENA
YARN
RADI
ALTO
11.3
16
50
50
9.5
9.5
10
9.5
20
9.5
8
20
32.30 °S 58.03 ºW
31.43 ºS 57.86 ºW
31.93 ºS 57.91 ºW
31.26 ºS 57.86 ºW
33.26 ºS 57.99 ºW
32.30 ºS 58.01 ºW
30.91 ºS 57.47 ºW
32.30 ºS 58.02 ºW
32.61 ºS 57.99 ºW
32.68 ºS 57.61 ºW
32.39 ºS 58.13 ºW
30.42 ºS 57.46 ºW
92
3. SIMULACIÓN GFS-WRF
Las condiciones de borde atmosféricas para la
simulación WRF-ARW versión 4.3 (de ahora en
más WRF) [14] son obtenidas a partir de datos
provenientes de GFS (Global Forecasting System,
por sus siglas en inglés) [15], resolución 0.5
grados. Para entrenar las redes LSTM, se emplea
una simulación WRF con un horizonte temporal de
24 horas buscando una menor dispersión de las
condiciones atmosféricas. Una vez entrenadas, la
versión operativa de las redes emplea como datos
de entrada WRF con un horizonte temporal de 72
horas, haciendo posible un pronóstico de potencia
Todas las simulaciones emplearon 37 niveles
verticales de resolución. Las parametrizaciones
a mayor plazo a cambio de mayor incertidumbre
de las condiciones atmosféricas. El pronóstico
operativo emplea el método EPS, que consiste en
30 simulaciones WRF con condiciones iniciales
perturbadas, a diferencia del único escenario
atmosférico empleado entrenar las redes.
El dominio de simulación se muestra en la gura 2,
este presenta una resolución espacial de 12 km,
de 150x150 nodos, centrado en las coordenadas
33.01 °S y 56.15 ºW.
Figura 2: Dominio de la simulación
Tabla 2: Descripción de las parametrizaciones empleadas en la simulación
Fuente: Elaboración propia
Fuente: Elaboración propia
empleadas se detallan en la tabla 2:
Parametrización Modelos empleados
Microfísica
Suelo
Cumulus
Capa Límite atmosférica
Radiación
RRTM longwave [16]
Dudhia shortwave [17]
Esquemas de radiación [18]
Lin microphysics [19]
Noah land surface model [20]
Kain-Fritsch [21]
Cumulus scheme [22]
PL boundary layers scheme Mellor
Yamada-Janic TKE scheme [23], [24]
93
4. LONG SHORT-TERM MEMORY NETWORKS
Las salidas del modelo empleadas para la
calibración de las redes fueron la radiación solar
neta de onda corta incidente al suelo (swdown),
la temperatura a 2 metros de altura (temp.), el
contenido de agua líquida (qrain) y el contenido
de vapor de agua (qvap) integrados sobre todo el
per l vertical. Se requiere un post-procesamiento
para obtener cada una de estas magnitudes sobre
cada una de las plantas solares. El procesamiento
consiste en una interpolación a partir de los nodos
de la malla más cercanos a las coordenadas de la
planta especi cada.
El método de predicción mediante EPS (Ensembles
prediction system por sus siglas en inglés) es usado
a menudo para lograr estimar la incertidumbre
de los pronósticos, debido a que estos están
basados en varias simulaciones del mismo modelo
atmosférico variando sutilmente sus condiciones
iniciales, derivando en un conjunto de escenarios
posibles a futuro [25]. Dada la naturaleza caótica
La salida del modelo consiste en la potencia
generada por la planta solar para la hora indicada.
Para las fases de entrenamiento, validación y test,
es necesario aportar la potencia real generada por
cada planta solar.
Los datos de entrada de las redes son las
variables atmosféricas de mayor relevancia
para la generación solar. Estas son la radiación
solar de onda corta incidente neta (swdown)
— directamente proporcional con la potencia
generada—, la temperatura a 2 m de la super cie
(temp) —que afecta al rendimiento de los paneles
solares—, el contenido de agua líquida (qrain) y
gaseosa (qvap) integradas sobre los primeros
Figura3: Ventana temporal para redes LSTM, set de calibración
Fuente: Elaboración propia
de la atmósfera terrestre, el método por EPS es
con able para estimar la incertidumbre de las
condiciones atmosféricas a futuro.
En este estudio, son empleados los ensembles
atmosféricos del modelo GFS de 0.5 grados
de resolución. Estos datos son utilizados como
condiciones de borde atmosféricas para el
modelo WRF, teniendo como salida un total de
30 escenarios diferentes con una resolución
horizontal de 12 km. Existen diversas formas de
estimar la incertidumbre del pronóstico a partir de
sus 30 ensembles, en este trabajo se emplea el
promedio de los 30 ensembles como la potencia
esperada, y se calcula un intervalo de con anza
al 90%. Es decir, a cada uno de los de los 30
escenarios atmosféricos se les aplicará las redes
LSTM para pronosticar 30 escenarios posibles
de generación fotovoltaica, y luego se le calcula
el valor medio e intervalo de con anza para cada
hora de pronóstico LSTM.
1000 m de altura —indicadores de la presencia de
nubes—. A su vez, se emplea una variable extra,
consistente en la declinación solar, esta variable
está completamente determinada por el día y
la hora del año. Dada la naturaleza del modelo
de inteligencia arti cial, es necesario aportar
información de la variación temporal de cada una
de estas variables. A partir de pruebas con el set
de datos de calibración, se obtiene una ventana
temporal de 24 horas hacia el pasado y 3 horas
hacia el futuro respecto a la hora del pronóstico
L.S.T.M, esta ventana se construye para cada
una de las variables simuladas con el WRF y se
emplea para pronosticar la potencia de la hora h,
ver  gura 3.
4.1 Variables de entrada
94
Una vez generados los datos de entrada para las
redes, se eliminan las entradas correspondientes
Se disponen datos tanto de potencia generada,
así como de variables simuladas mediante WRF
para el período 01/09/2018 – 31/07/2022, es
decir, 3 años y 11 meses (1430 días). La división
de los datos se realiza de la siguiente forma:
En la división de datos de entrenamiento y
validación, se toma en consideración la naturaleza
estacional de los datos. Por este motivo se asignan
años completos, evitando posibles sesgos en
el pronóstico debido a la falta de información
estacional.
Entrenamiento 01/09/2018 - 31/08/2020
Validación 01/09/2020 – 31/07/2021
Test 01/08/2021 – 31/07/2022
4.2 Datos de entrenamiento, validación y test
4.3 Procedimiento de calibración
Para la preparación de los datos de entrada,
se toma en consideración que los datos más
apartados de la hora de la inicialización serán cada
vez menos precisos debido a las incertidumbres
asociadas a las condiciones atmosféricas.
Para generar los datos de entrada de las redes, se
le aplica la ventana temporal para todos los días
de simulación del set de calibración, mientras que
para la variable de salida (potencia fotovoltaica),
se emplea la potencia generada por la planta para
la hora de pronóstico L.S.T.M.
La calibración del modelo se hace variando los
parámetros disponibles para las redes LSTM.
Estos son, número de neuronas, cantidad de
épocas, ventana temporal, función de pérdidas.
Los datos de validación se emplean para vericar
que el modelo no sobre ajuste ni sub- ajuste.
Finalmente, el desempeño del modelo se evalúa
utilizando los datos de test, donde se calcula el
sesgo (BIAS), error medio absoluto (MAE), la raíz
del error cuadrático medio (RMSE) y la correlación
(COR).
Los parámetros encontrados que mejoran
el desempeño del modelo se disponen en la
siguiente tabla, y fueron obtenidos usando el set
de calibración para la planta JACI:
a horas nocturnas, tanto para la calibración como
para el uso operativo de las mismas.
Loss
Neuronas
Épocas
Batch size
MAE
20
70
70
tanh
linear
24
3
Activation Function
Activation dense
Horas hacia el pasado
Horas hacia el futuro
Tabla 3: Descripción de los parámetros empleados en las redes LSTM
Fuente: Elaboración propia
95
En la tabla 4 se muestran los valores de BIAS,
MAE, RMSE y COR obtenidos para cada una de
las plantas solares durante el período de test,
Es relevante a nivel nacional conocer la potencia
global generada por todas las principales plantas
solares instaladas en el territorio, así como su
producción individual. Se pronostica la potencia
total generada mediante la suma de la producción
5.1 Resultados para plantas individuales
5.2 Resultados del pronóstico global
5. RESULTADOS DE LA FASE DE TEST Y DISCUSIÓN
estimadores normalizados según la potencia
nominal de cada planta:
individual de cada planta solar. En la gura 4 se
muestra el histograma del error para el período
de test, incluyendo los estimadores de error
normalizados según la potencia total instalada.
Figura 4: Histograma de error para la suma de la producción de las plantas solares en Uruguay.
Fuente: Elaboración propia
Tabla 4: Resultados de la predicción con los datos test para cada planta sola
Fuente: Elaboración propia
Plantas BIAS [%] MAE [%] RMSE [%] Correlación [%]
ALTO
APEY
DICA
DLIT
FENI
JACI
MENA
NARA
NATE
PETI
RADI
YARN
3.09
0.93
0.87
0.94
-0.53
1.39
-1.44
2.7
0.79
-2.47
4.36
0.69
8.58
9.52
8.75
9.26
8.81
11.18
10.25
10.46
8.15
11.53
11.71
7.88
15.1
15.2
13.8
15.6
13.8
19.3
15.9
17.9
13.6
16.3
19.7
13.3
90.96
88.55
88.72
88.62
88.65
84.28
87.89
86.37
90.3
84.34
81.01
90.96
96
5.3 Ejecución operativa del modelo calibrado
Una vez calibradas las redes LSTM, se toma
un período más reciente para ilustrar su
funcionamiento en condiciones operativas para
un horizonte de 72 horas, ver  gura 5.
En la gura 6a se observa cada uno de los 30
ensembles generados mediante pequeñas
perturbaciones en las condiciones iniciales de
la atmósfera. Estos consisten en 30 escenarios
atmosféricos diferentes, que brindan la
información de la variabilidad atmosférica. Se le
aplica la red L.S.T.M. a los mismos de forma de
obtener 30 escenarios posibles de potencia en las
plantas. Con esta información, se puede brindar,
además del valor medio de potencia, su intervalo
de con anza.
Por otro lado, se presenta la gura 6b, donde se
Se toma el caso de ejemplo de la planta solar
JACI, en la gura 6 se muestra la evolución
temporal para el día 24/03/2023.
calcula el intervalo de con anza al 90% a partir de
los 30 ensembles. Se puede apreciar el aumento
en la dispersión de los resultados para el segundo
día de pronóstico, esto re eja la incertidumbre
atmosférica respecto a las condiciones de
nubosidad del segundo día, afectando la radiación
incidente sobre los paneles fotovoltáicos.
Se toma el caso de ejemplo de la planta solar
JACI, en la gura 6 se muestra la evolución
temporal para el día 24/03/2023.
Figura 5: Ventana temporal para redes LSTM, pronóstico operativo
Figura 6: Pronóstico operativo para la planta solar JACI para el día 24/03/2023: a) Pronóstico medio en
conjunto con los 30 ensembles y b) Pronóstico medio y el percentil 5 y 95 de los ensembles.
Fuente: Elaboración propia
Fuente: Elaboración propia
97
El error medio absoluto y el sesgo según la hora de
pronóstico para la misma planta se presentan en la
siguiente gura. El período elegido corresponde al
Se presenta para la potencia generada global la
evolución temporal para el día 04/03/2023 para
un horizonte de 72 horas en la gura 8, así el
error medio absoluto y el sesgo (normalizados
04/03/2023 – 22/05/2023, valores normalizados
según la potencia nominal de la planta.
según la potencia total instalada), según la hora
de pronóstico durante el período 04/03/2023 –
22/05/2023 en la  gura 9.
Figura 7: Desempeño del modelo pronosticando la potencia generada en la planta
JACI para un horizonte de 72 horas
Figura 8: Pronóstico operativo para la potencia total instalada para el día 24/03/2023: a) Pronóstico medio en
conjunto con los 30 ensembles y b) Pronóstico medio y el percentil 5 y 95 de los ensembles.
Fuente: Elaboración propia
Fuente: Elaboración propia
98
Figura 9: Desempeño del modelo pronosticando la potencia
total instalada para un horizonte de 72 horas.
Fuente: Elaboración propia
6. CONCLUSIONES
En este trabajo se presenta un modelo de
pronóstico de potencia solar generada por las
principales plantas solares fotovoltaicas del
territorio uruguayo, empleando el modelo de
simulación atmosférica, W.R.F.-A.R.W., acoplado
con un modelo de inteligencia arti cial de
pronóstico de series temporales, L.S.T.M.
Se detalla el procedimiento empleado de
calibración, así como las variables atmosféricas
de mayor relevancia para el pronóstico de
potencia solar, así como las parametrizaciones
que obtuvieron el mayor desempeño al momento
de pronosticar la potencia generada mediante las
redes neuronales, haciendo uso de un histórico
de 4 años para lograr el cometido.
Mediante el análisis de resultados, se concluye
que es posible obtener un pronóstico de potencia
solar con un error medio absoluto de 7.03%
y RMSE 11.94% para las primeras 24 horas,
calculado solamente durante las horas de en las
cuales se percibe radiación solar incidente.
El modelo de pronóstico operativo permite estimar
la incertidumbre asociada a las condiciones
atmosféricas mediante el uso del sistema de
predicción mediante ensembles (EPS), aportando
un indicador de la con abilidad del pronóstico y
siendo una información de suma importancia a
los operadores de carga del suministro eléctrico.
99
7. REFERENCIAS
[1] Abal, G, D’Angelo, M, Cataldo, J y Gutiérrez, A. (2011.). Mapa solar del Uruguay versión 1.0 : Memoria Técnica.
Udelar. CSIC.
[2] Ministerio de Industria Energía y Minería - Dirección Nacional de Energía. (Año de publicación). Políticas
Energéticas 2005-2030.
MINISTERIO DE INDUSTRIA, ENERGÍA Y MINERÍA (MIEM). (2005). Política Energética Uruguay
2005-2030. Recuperado de http://www.ecienciaenergetica.gub.uy/documents/20182/22528/
Pol%C3%ADtica+Energ%C3%A9tica+ 2005-2030/841defd5-0b57-43fc-be56-94342af619a0
[3] Couto, A., Schimeczek, C., Algarvio, H., Preto, I., Kochems, J., & Santos, T. (2021). New forecast tools to
enhance the value of VRE on the electricity markets.
[4] ADME - Administración del Mercado Eléctrico. (2013). Informe Anual 2021.
Administración del Mercado Eléctrico. (2013). ADME. Informe Anual 2021. Recuperado de https://adme.com.uy/
db-docs/Docs_secciones/nid_526/Informe_Anual_2021.pdf
[5] Widén J,Carpman N,Castellucci V,Lingfors D,Olauson J,Remouit F, Bergkvist M, Grabbe M, Waters R, Variability
assessment and forecasting of renewables: A review for solar, wind, wave and tidal resources, Renewable and
Sustainable Energy Reviews, Volume 44, 2015, 356-375,ISSN 1364-0321.
[6] Cotelo-Rola, M y Alonso-Suárez, R. (2020.). Pronóstico de la irradiación solar horaria en Uruguay y sur de
Brasil utilizando redes neuronales recurrentes. EN: Anales del VIII Congresso Brasileiro de Energia Solar, Fortaleza,
Brasil, 26-30 de Octubre de 2020. 11 p.
[7] Qing, X., & Niu, Y. (2018). Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM.
Energy, 148, 461-468. https://doi.org/10.1016/j.energy.2018.01.177.
[8] Lee, W., Kim, K., Park, J., Kim, J., & Kim, Y. (2018). Forecasting Solar Power Using Long-Short Term Memory
and Convolutional Neural Networks. IEEE Access, 10.1109/ACCESS.2018.2883330.
[9] Skamarock, W. C., y coautores. (2008). Description of the Advanced Research WRF Version 3 (Informe Técnico
No. NCAR/TN-475+STR).
[10] Köhler, C., Steiner, A., Saint-Drenan, Y.-M., Ernst, D., Bergmann-Dick, A., Zirkelbach, M., Ben Bouallègue,
Z., Metzinger, I., & Ritter, B. (2017). Critical weather situations for renewable energies – part b: Low stratus risk for
solar power. Renewable Energy, 101, 794–803.
[11] Teixeira-Branco, V., Alonso-Suárez, R., Almeida, E., Porrini, C., Gutiérrez, A., & Cazes, G. (2018). Evaluación
del pronóstico de irradiación solar diaria en Uruguay utilizando el modelo WRF [Preprint]. Publicado en los Anales
del VII Congresso Brasileiro de Energia Solar (CBENS), 2018.
[12] Cornaro, C., Pierro, M., & Bucci, F. (2015). Master optimization process based on neural networks ensemble
for 24-h solar irradiance forecast. Solar Energy, 111, 297–312.
[13] Hochreiter, Sepp & Schmidhuber, Jürgen. (1997). Long Short-term Memory. Neural computation. 9. 1735-80.
10.1162/neco.1997.9.8.1735.
[14] WRF - Weather Research and Forecasting (WRF) Model. (2022).
Skamarock, W. C., & Coautores. (2008). A description of the Advanced Research WRF version 3 (NCAR Tech.
Note NCAR/TN-4751STR, 113 pp.). https://doi.org/10.5065/D68S4MVH.
[15] GFS - Global Forecast System. (2022).
NOAA Global Forecast System (GFS). (Fecha de acceso). Recuperado de https://registry.opendata.aws/noaa-
gfs-bdp-pds.
NOAA. (2018). Global Forecast System (GFS) [0.5 Deg.]. Disponible en https://www.ncei.noaa.gov/access/
metadata/landing-page/bin/iso?id=gov.noaa.ncdc:C00634 (consultado el 8 de octubre de 2018).
100
[16] Mlawer, E. J., Taubman, S. J., Brown, P. D., Iacono, M. J., & Clough, S. A. (1997). Radiative transfer for
inhomogeneous atmosphere: RRTM, a validated correlated-k model for the long-wave. Journal of Geophysical
Research, 102(d14), 16663–16682.
[17] Lacis, A. A., & Hansen, J. E. (1974). A parameterization for the absorption of solar radiation in the earth’s
atmosphere. Journal of Atmospheric Sciences, 31(1), 118–133.
[18] Stephens, G. L. (1978). Radiation proles in extended water clouds. Part II: Parameterization schemes.
Journal of Atmospheric Sciences, 35(1), 2123–2132.
[19] Lin, Y.-L., Farley, R. D., & Orville, H. D. (1983). Bulk parameterization of the snow _eld in a cloud model.
Journal of Climate and Applied Meteorology, 22, 1065-1092.
[20] Chen, F., & Dudhia, J. (2001). Coupling an advanced land-surface/hydrology model with the Penn State/
NCAR MM5 modeling system. Part I: Model description and implementation. Monthly Weather Review, 129(1),
569–585.
[21] Kain, J. S. (2004). The Kain-Fritsch convective parameterization: An update. Journal of Applied Meteorology
and Climatology, 43(1), 170–181.
[22] Kain, J. S., & Fritsch, J. M. (1990). A one-dimensional entraining/detraining plume model and its application in
convective parameterization. Journal of Applied Meteorology and Climatology, 47(23), 2784–2802.
[23] Mellor, Y. T. (1974). A hierarchy of turbulence closure models for planetary boundary layers. Journal of
Atmospheric Science, 31, 1791–1806.
[24] Mellor, Y. T. (1982). Development of a turbulence closure model for geophysical uid problems. Reviews of
Geophysics and Space Physics, 20, 851–875.
[25] Sperti, S., Alessandrini, S., & Monache, L. (2016). An application of the ECMWF Ensemble Prediction System
for short-term solar power forecasting. Solar Energy, 133, 437–450.