Predecir con precisión la intensidad de la radiación solar (SI) es esencial para la programación de la electricidad y la selección de sitios fotovoltaicos. Con el desarrollo de computadoras de alto rendimiento y dispositivos de almacenamiento de gran capacidad, los modelos basados en el aprendizaje profundo impulsados por datos han recibido una amplia atención en el campo de la predicción de SI, sin embargo, la naturaleza opaca de los modelos de aprendizaje profundo con la falta de interpretación física limita su credibilidad en situaciones específicas. Para mejorar la interpretabilidad del modelo sin comprometer la precisión de la predicción y la estructura del modelo, sin aumentar la complejidad del cálculo, se construyó un modelo basado en redes neuronales de memoria a corto y largo plazo (LSTM). Su rendimiento aumentó en un 8,07% en comparación con la red neuronal tradicional y mostró una mejor capacidad para manejar valores atípicos. Utilizando el algoritmo de propagación correlacionada en capas (LRP), se evaluaron los factores que influyen en la salida del modelo en el tiempo y el espacio, fortaleciendo así la interpretabilidad del modelo. Los resultados de la investigación muestran que este modelo, al garantizar un rendimiento, presenta una buena interpretabilidad, donde la intensidad histórica de la radiación, las características temporales (como día, semana, mes), los ángulos de elevación solar (como el amanecer y el atardecer), la cobertura de nubes, la duración de la radiación, la temperatura y el punto de rocío son los factores principales que influyen en la predicción de la intensidad de la radiación solar.

Predicción de la intensidad de la radiación solar, aprendizaje profundo, interpretabilidad, algoritmo LRP, LSTM