Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial

En este trabajo se describe el desarrollo de un modelo de pronóstico para la generación de energía fotovoltaica utilizando datos recopilados desde mayo de 2018 hasta febrero de 2023. El conjunto de datos se preprocesó para llenar los datos faltantes y analizar las tendencias, la estacionalidad y la...

Full description

Autores:
Rodríguez Leguizamón, Cinthia Kathalina
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Autónoma de Occidente
Repositorio:
RED: Repositorio Educativo Digital UAO
Idioma:
spa
OAI Identifier:
oai:red.uao.edu.co:10614/14971
Acceso en línea:
https://hdl.handle.net/10614/14971
https://red.uao.edu.co/
Palabra clave:
Ingeniería Mecatrónica
Energía solar
Inteligencia artificial - Procesamiento de datos
Solar energy
Artificial intelligence - Data processing
Forecasting
Power forecasting
PV energy
PV
Artificial intelligence
Pronóstico
Pronóstico de generación
Energía fotovoltaica
FV
Inteligencia artificial
Rights
openAccess
License
Derechos reservados - Universidad Autónoma de Occidente, 2023
Description
Summary:En este trabajo se describe el desarrollo de un modelo de pronóstico para la generación de energía fotovoltaica utilizando datos recopilados desde mayo de 2018 hasta febrero de 2023. El conjunto de datos se preprocesó para llenar los datos faltantes y analizar las tendencias, la estacionalidad y la estacionariedad. Se seleccionaron tres modelos teniendo en cuenta la revisión bibliométrica realizada. Estos modelos fueron: SARIMA, LSTM y XGBoost, los cuales se entrenaron y evaluaron utilizando una técnica de ventana deslizante y un conjunto de validación. Los resultados del estudio muestran que los tres modelos son capaces de predecir la generación de energía fotovoltaica; sin embargo, el modelo XGBoost tuvo el mejor rendimiento en el entrenamiento y validación, en esta última tuvo como resultado un R cuadrado de 0.99, es decir que sus predicciones son las más cercanas a los valores reales. Finalmente, se discuten las limitaciones del estudio y las posibles áreas de mejora para futuras investigaciones.