| dc.contributor | Proaño, Xavier | |
| dc.creator | Lalaleo Achachi, Diego Fernando | |
| dc.date | 2022-01-18T21:26:04Z | |
| dc.date | 2022-01-18T21:26:04Z | |
| dc.date | 2021-08 | |
| dc.date.accessioned | 2023-08-08T21:29:54Z | |
| dc.date.available | 2023-08-08T21:29:54Z | |
| dc.identifier | Lalaleo Achachi Diego Fernando (2021), Diseño de un algoritmo utilizando Machine Learning para la predicción de la radiación solar en el sector de Lasso. UTC. Latacunga. 85 p. | |
| dc.identifier | MUTC-001017 | |
| dc.identifier | http://repositorio.utc.edu.ec/handle/27000/8014 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8081309 | |
| dc.description | The design of the algorithm for the prediction of solar radiation using Machine Learning techniques was developed by applying the keras and Tenson Flow libraries for the creation of the LSTM sequential model neural network that selected previous data and predicted a later week, was recorded with a meteorological station the measurement of the climate variables in intervals of every minute to export the measurement file in .CSV format, the data processing was coded in Google Colab so that the information resources are carried out by the server, the programming language is Python, the results obtained are values of solar radiation in the range from 6:00 a.m. to 6:00 p.m., the sequence of hours with time is relevant, if a value was null or the order of the data is altered, the results are different from the real ones because time series are applied to the forecast data and the result is the forecast for each hour of the following seven continuous days. | |
| dc.description | El diseño del algoritmo para la predicción de la radiación solar mediante técnicas de Machine Learning, se desarrolló aplicando las librerías de keras y tenson Flow para la creación de la red neuronal LSTM modelo secuencial que seleccionó datos anteriores y predijo una semana posterior, se registró con una estación meteorológica la medición de las variables del clima en intervalos de cada minuto para exportar el archivo de medición en formato .CSV, se codificó en Google Colab el procesamiento de datos para que los recursos informativos lo realice el servidor, el lenguaje de programación es Python, los resultados obtenidos son valores de radiación solar en el rango de 6:00 a 18:00 horas, es relevante la secuencia de horas con el tiempo, si un valor fue nulo o se altera el orden de los datos, los resultados son diferentes a los reales por estar aplicado series de tiempo en los datos de predicción y el resultado es la predicción de cada hora de los siguientes siete días continuos. | |
| dc.format | 85 páginas | |
| dc.language | spa | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi: UTC. | |
| dc.rights | openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
| dc.subject | MACHINE LEARNING | |
| dc.subject | RADIACIÓN SOLAR | |
| dc.subject | RED NEURONAL | |
| dc.subject | LSTM | |
| dc.subject | ELECTRICIDAD | |
| dc.title | Diseño de un algoritmo utilizando Machine Learning para la predicción de la radiación solar en el sector de Lasso. | |
| dc.type | masterThesis | |
