Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes

dc.contributorGonzález Mancera, Andrés Leonardo
dc.creatorRojas Sánchez, Diego Alejandro
dc.date.accessioned2023-07-11T19:13:19Z
dc.date.accessioned2023-09-07T02:12:58Z
dc.date.available2023-07-11T19:13:19Z
dc.date.available2023-09-07T02:12:58Z
dc.date.created2023-07-11T19:13:19Z
dc.date.issued2023-05-24
dc.identifierhttp://hdl.handle.net/1992/68323
dc.identifierinstname:Universidad de los Andes
dc.identifierreponame:Repositorio Institucional Séneca
dc.identifierrepourl:https://repositorio.uniandes.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8729064
dc.description.abstractEste proyecto se desarrolla en busca de la implementación de métodos de forecasting de la radiación solar sobre el edificio Santo Domingo de la Universidad de los Andes basado en datos históricos registrados por la planta solar de este edificio. Por ello, se usaron métodos de estadísticos como la Media móvil integrada autorregresiva (ARIMA), la Suavización exponencial y el modelo heteroscedástico condicional autorregresivo (ARCH). Así mismo, se usaron modelos de machine learning para el forecasting de la radiación solar a partir de redes neuronales artificiales. De esta manera, generar una comparación de la calidad de cada uno de los modelos y observar sus posibles aplicaciones en el campo de la predicción meteorológica.
dc.languagespa
dc.publisherUniversidad de los Andes
dc.publisherIngeniería Mecánica
dc.publisherFacultad de Ingeniería
dc.publisherDepartamento de Ingeniería Mecánica
dc.relationNaciones Unidas, «Energías renovables: energías para un futuro más seguro,» [En línea]. Available: https://www.un.org/es/climatechange/raising-ambition/renewable-energy#:~:text=Los%20combustibles%20f%C3%B3siles%20dan%20cuenta,de%20fuentes%20de%20energ%C3%ADa%20renovables.. [Último acceso: 22 05 2023].
dc.relationUPME, «Balance energético colombiano,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/BECO.aspx.
dc.relationSolar Forecast Arbiter, «Solar Forecast Arbiter, A paradigm shift in forecast evaluation,» [En línea]. Available: https://forecastarbiter.epri.com/. [Último acceso: 22 05 2023].
dc.relationT. T. e. I. Chernyakhovskiy, «PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR: MEJORANDO LA OPERACIÓN DEL SISTEMA,» Laboratorio Nacional de Energía Renovable, Estados Unidos, 2016.
dc.relationUPME, «Proyecciones de demanda,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/Proyecciones-de-demanda.aspx. [Último acceso: 22 05 2023].
dc.relationH. Maïmouna Diagne, D. Mathieu , P. Lauret, J. Boland y N. Schmutz, «Review of solar irradiance forecasting methods and a proposition for small-scale insular grids,» HAL open science, Australia, 2013.
dc.relation«ARIMA Model - Complete Guide to Time Series Forecasting in Python,» Machine Learning Plus, [En línea]. Available: https://www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/. [Último acceso: 22 05 2023].
dc.relationN. Hoang, «ARIMA Autoregressive Integrated Moving Average model family,» Nhu Hoang, 26 01 2020. [En línea]. Available: https://geniusnhu.netlify.app/project/2020-01-26-arima-autoregressive-intergreated-moving-average/. [Último acceso: 22 05 2023].
dc.relationV. Kotu, «Media móvil integrada autorregresiva, ARIMA es una de las técnicas de pronóstico más utilizadas en las empresas en la actualidad.,» Science direct, 2019. [En línea]. Available: https://www.sciencedirect.com/topics/mathematics/autoregressive-integrated-moving-average.
dc.relationJ. Bean, «How to leverage the exponential smoothing formula for forecasting,» Zendesk Blog, 16 05 2022. [En línea]. Available: https://www.zendesk.com/blog/leverage-exponential-smoothing-formula-forecasting/.
dc.relationA. Novales, «Modelos ARCH univariantes y multivariantes,» Universidad Complutense de Madrid, 2013. [En línea]. Available: https://www.ucm.es/data/cont/media/www/pag-41460/Arch.pdf.
dc.relationNational geographic, «Breve historia visual de la inteligencia artificial,» National geographic, 2020. [En línea]. Available: https://www.nationalgeographic.com.es/ciencia/breve-historia-visual-inteligencia-artificial_14419.
dc.relationC. E. Muñoz Domínguez y H. R. Casallas Ávila , «Diseño de una máquina para la clasificación de tomate chonto Lycopersicum esculentum mill,» Universidad de La Salle, Bogotá, 2020.
dc.relationV. Rodríguez, «Conceptos básicos sobre redes neuronales,» 30 10 2018. [En línea]. Available: https://vincentblog.xyz/posts/conceptos-basicos-sobre-redes-neuronales.
dc.relationIBM, «IBM Documentation,» IBM - Deutschland | IBM, s.f.. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-neural-networks.
dc.relationE. Freire y S. Silva, «Redes neuronales,» Medium, 14 11 2019. [En línea]. Available: https://bootcampai.medium.com/redes-neuronales-13349dd1a5bb#:~:text=Funciones%20de%20activaci%C3%B3n,que%20permitir%C3%A1%2.
dc.relationD. Calvo, «Función de activación - Redes neuronales,» 7 12 2018. [En línea]. Available: https://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/.
dc.relationI. Gavilán, «Catálogo de componentes de redes neuronales (III): funciones de pérdida,» [En línea]. Available: https://ignaciogavilan.com/catalogo-de-componentes-de-redes-neuronales-iii-funciones-de-perdida/.
dc.relationP. G. Juan Camilo , «Clasificación de la madurez del aguacate Hass para su cosecha,» UNIVERSIDAD DE LOS ANDES, Bogotá, Colombia, 2022.
dc.relationFayrix, «Selección de métricas para los modelos de aprendizaje automático,» Fayrix | Offshore Custom Software Development Services, s.f.. [En línea]. Available: https://fayrix.com/machine-learning-metrics_es. [Último acceso: 23 05 2023].
dc.relationM. Paulescu, E. Paulescu, P. Gravila y V. Badescu, Weather modeling and forecasting of PV systems operation, New York: Springer, 2013.
dc.relationJ. A. A. TOSCANO, PREDICCIÓN DE LA ENERGÍA GENERADA POR UN PANEL SOLAR BASADO EN SU TEMPERATURA Y RADIACIÓN, Bogotá: Universidad de los Andes, 2019.
dc.relationP. Kumari y D. Toshniwal, «Deep learning models for solar irradiance forecasting: A comprehensive review,» Journal of Cleaner Production, vol. 1, nº 128566, p. 26, 2021.
dc.relationJ. M. R. Rodríguez, «Modelo para predicción de potencia de paneles fotovoltaicos utilizando técnicas de clasificación no supervisada y redes neuronales artificiales.,» Universidad del Norte, Barranquilla, 2020.
dc.rightsAl consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores
dc.rightsAttribution-NoDerivatives 4.0 Internacional
dc.rightsAttribution-NoDerivatives 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.titlePredicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes
dc.typeTrabajo de grado - Pregrado


Este ítem pertenece a la siguiente institución