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...
- 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
id |
REPOUAO2_85e43480f7e668fe4e6161f322ac4ce6 |
---|---|
oai_identifier_str |
oai:red.uao.edu.co:10614/14971 |
network_acronym_str |
REPOUAO2 |
network_name_str |
RED: Repositorio Educativo Digital UAO |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
title |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
spellingShingle |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial 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 |
title_short |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
title_full |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
title_fullStr |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
title_full_unstemmed |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
title_sort |
Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial |
dc.creator.fl_str_mv |
Rodríguez Leguizamón, Cinthia Kathalina |
dc.contributor.advisor.none.fl_str_mv |
López Sotelo, Jesús Alfonso |
dc.contributor.author.none.fl_str_mv |
Rodríguez Leguizamón, Cinthia Kathalina |
dc.contributor.corporatename.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.subject.spa.fl_str_mv |
Ingeniería Mecatrónica |
topic |
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 |
dc.subject.armarc.spa.fl_str_mv |
Energía solar Inteligencia artificial - Procesamiento de datos |
dc.subject.armarc.eng.fl_str_mv |
Solar energy Artificial intelligence - Data processing |
dc.subject.proposal.eng.fl_str_mv |
Forecasting Power forecasting PV energy PV Artificial intelligence |
dc.subject.proposal.spa.fl_str_mv |
Pronóstico Pronóstico de generación Energía fotovoltaica FV Inteligencia artificial |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.none.fl_str_mv |
2023-09-07T13:22:13Z |
dc.date.available.none.fl_str_mv |
2023-09-07T13:22:13Z |
dc.date.issued.none.fl_str_mv |
2023-08-08 |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_71e4c1898caa6e32 |
dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.eng.fl_str_mv |
Text |
dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/14971 |
dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.identifier.reponame.spa.fl_str_mv |
Repositorio Educativo Digital UAO |
dc.identifier.repourl.spa.fl_str_mv |
https://red.uao.edu.co/ |
url |
https://hdl.handle.net/10614/14971 https://red.uao.edu.co/ |
identifier_str_mv |
Universidad Autónoma de Occidente Repositorio Educativo Digital UAO |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.cites.spa.fl_str_mv |
Rodríguez Leguizamón, C. K. (2023). Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14971 |
dc.relation.references.none.fl_str_mv |
Abdellatif, A., Mubarak, H., Ahmad, S., Ahmed, T., Shafiullah, G. M., Hammoudeh, A., Abdellatef, H., Rahman, M. M., y Gheni, H. M. (2022). Forecasting Photovoltaic Power Generation with a Stacking Ensemble Model. Sustainability 2022, Vol. 14, Page 11083, 14(17), 11083. https://doi.org/10.3390/SU141711083 Arboles de decision y Random Forest. (s/f). Ensambladores: Random Forest - Parte I. Recuperado el 24 de abril de 2023, de https://bookdown.org/content/2031/ensambladoresrandom-forest-parte-i.html Atwan, T. A. (2022). Time Series Analysis with Python: Cookbook. Packt. Avila Camacho, J. (2020, marzo 27). Support Vector Regression (SVR). https://www.jacobsoft.com.mx/es_mx/support-vector-regression/ Bahdanau, D., Cho, K. H., y Bengio, Y. (2014). Neural Machine Translation by Jointly Learning to Align and Translate. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. https://arxiv.org/abs/1409.0473v7 Brownlee, J. (2017, enero 9). How to Create an ARIMA Model for Time Series Forecasting in Python. https://machinelearningmastery.com/arima-for-time-series-forecasting-withpython/ Brownlee, J. (2020, agosto 5). How to Use XGBoost for Time Series Forecasting. https://machinelearningmastery.com/xgboost-for-time-series-forecasting/ Celsia. (s/f). Todo lo que debes saber sobre energía solar en Colombia. Recuperado el 16 de abril de 2023, de https://eficienciaenergetica.celsia.com/todo-lo-que-debes-saber-sobreenergia-solar-en-colombia/ Chen, T., y Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Association for Computing Machinery, 785–794. https://doi.org/10.1145/2939672.2939785 Essam, Y., Ahmed, A. N., Ramli, R., Chau, K. W., Idris Ibrahim, M. S., Sherif, M., Sefelnasr, A., y El-Shafie, A. (2022). Investigating photovoltaic solar power output forecasting using machine learning algorithms. Engineering Applications of Computational Fluid Mechanics, 16(1), 2002–2034. https://doi.org/10.1080/19942060.2022.2126528 Fierro, A. lejandro. (2020). Predicción de Series Temporales con Redes Neuronales [Universidad Nacional de La Plata]. http://sedici.unlp.edu.ar/bitstream/handle/10915/114857/Documento_completo.pdfPDFA.pdf?sequence=1&isAllowed=y Galvez, K. J. (2022). El ranking GreenMetric sitúa a la UAO como la IES más sostenible de Colombia. ASCUN. https://ascun.org.co/el-ranking-greenmetric-situa-a-la-uao-como-laies-mas-sostenible-de-colombia/ GAMCO. (s/f). Perceptrón Multicapa - MLP. Qué es Perceptrón Multicapa - MLP. Recuperado el 22 de abril de 2023, de https://gamco.es/glosario/percepatron-multicapa-mlp/ Gigoni, L., Betti, A., Crisostomi, E., Franco, A., Tucci, M., Bizzarri, F., y Mucci, D. (2018). Dayahead hourly forecasting of power generation from photovoltaic plants. IEEE Transactions on Sustainable Energy, 9(2), 831–842. https://doi.org/10.1109/TSTE.2017.2762435 Hossain, M. S., y Mahmood, H. (2020). Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast. IEEE Access, 8, 172524–172533. https://doi.org/10.1109/ACCESS.2020.3024901 Huang, C. J., y Kuo, P. H. (2019). Multiple-Input Deep Convolutional Neural Network Model for Short-Term Photovoltaic Power Forecasting. IEEE Access, 7, 74822–74834. https://doi.org/10.1109/ACCESS.2019.2921238 IBM. (2023). R2. https://www.ibm.com/docs/es/cognos-analytics/11.1.0?topic=terms-r2 Kasburg, C., y Frizzo, S. (2019). Deep Learning for Photovoltaic Generation Forecast in Active Solar Trackers. IEEE LATIN AMERICA TRANSACTIONS, 17(12). https://doi.org/10.1109/TLA.2019.9011546 Khan, W., Walker, S., y Zeiler, W. (2022). Improved solar photovoltaic energy generation forecast using deep learning-based ensemble stacking approach. Energy, 240. https://doi.org/10.1016/J.ENERGY.2021.122812 Li, G., Xie, S., Wang, B., Xin, J., Li, Y., y Du, S. (2020). Photovoltaic Power Forecasting with a Hybrid Deep Learning Approach. IEEE Access, 8, 175871–175880. https://doi.org/10.1109/ACCESS.2020.3025860 Luo, X., Zhang, D., y Zhu, X. (2021). Deep learning based forecasting of photovoltaic power generation by incorporating domain knowledge. Energy, 225, 120240. https://doi.org/10.1016/J.ENERGY.2021.120240 Macana Tascon, P. A. (2018). Modelado y simulación de sistema fotovoltaicos integrados en redes de distribución - Caso de estudio sistema fotovoltaico de la Universidad Autónoma de Occidente [Universidad Autónoma de Occidente]. https://red.uao.edu.co/bitstream/handle/10614/10032/T07695.pdf?sequence=6&isAllowe d=y Maciel, J. N., Wentz, V. H., Ledesma, J. J. G., y Junior, O. H. A. (2021). Analysis of Artificial Neural Networks for Forecasting Photovoltaic Energy Generation with Solar Irradiance. Brazilian Archives of Biology and Technology, 64(21210131), e21210131. https://doi.org/10.1590/1678-4324-75YEARS-2021210131 Markovics, D., y Mayer, M. J. (2022). Investigating the effect of training time for machine learning based photovoltaic power forecasting. 2022 8th International Youth Conference on Energy, IYCE 2022. https://doi.org/10.1109/IYCE54153.2022.9857544 Montoya-Cardona, J. F. (2021). Pronóstico de la demanda de energía en Colombia a corto plazo basado en un modelo híbrido adaptativo [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/handle/unal/80568 Munawar, U., y Wang, Z. (2020). A Framework of Using Machine Learning Approaches for Short-Term Solar Power Forecasting. Journal of Electrical Engineering and Technology, 15(2), 561–569. https://doi.org/10.1007/S42835-020-00346-4/FIGURES/12 Muñoz-Santiago, A., Urquijo-Vanstrahlengs, J., Castro-Otero, A., y Lombana, J. (2017). Forecast of energy prices in Colombia using arima-igarch models. Revista de Economia del Rosario, 20(1), 127–161. https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.6152 Naciones Unidas. (s/f-a). Acción por el clima. Energías renovables: energías para un futuro más seguro. Recuperado el 23 de abril de 2023, de https://www.un.org/es/climatechange/raising-ambition/renewable-energy Naciones Unidas. (s/f-b). Objetivo 7: Garantizar el acceso a una energía asequible, segura, sostenible y moderna. Objetivos de desarrollo sostenible. Recuperado el 16 de abril de 2023, de https://www.un.org/sustainabledevelopment/es/energy/ Palomino, M. (2017, noviembre 26). Series Temporales. https://rpubs.com/palominoM/series Pech May, F. (2018). Procesamiento de Lenguaje Natural con DeepLearning. https://www.tamps.cinvestav.mx/~fpech/doc/DLScr/PLN.html Peixeiro, M. (2022). Time Series Forecasting in Python. Phan, Q. T., Wu, Y. K., Phan, Q. D., y Lo, H. Y. (2023). A Novel Forecasting Model for Solar Power Generation by a Deep Learning Framework With Data Preprocessing and Postprocessing. IEEE Transactions on Industry Applications, 59(1), 220–231. https://doi.org/10.1109/TIA.2022.3212999 Pierro, M., Bucci, F., De Felice, M., Maggioni, E., Moser, D., Perotto, A., Spada, F., y Cornaro, C. (2016). Multi-Model Ensemble for day ahead prediction of photovoltaic power generation. Solar Energy, 134, 132–146. https://doi.org/10.1016/J.SOLENER.2016.04.040 PVsyst. (s/f). Features. Recuperado el 15 de abril de 2023, de https://www.pvsyst.com/features/ Qing, X., y 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 RatedPower. (2022). Renewable Energy and Solar Research Report: What’s in Store for 2022. https://go.ratedpower.com/hubfs/Solar_Trends_Report_2022.pdf RMSE (Error cuadrático medio). (s/f). Recuperado el 4 de mayo de 2023, de https://docs.oracle.com/cloud/help/es/pbcs_common/PFUSU/insights_metrics_RMSE.htm#PFUSU-GUID-FD9381A1-81E1-4F6D-8EC4-82A6CE2A6E74 Romero, J. G., Cesar, J., y Cañon, M. (2019). Demanda de la energía eléctrica en Colombia: un modelo de pronóstico. chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://repositorio.escuelaing.edu.co/bitstr eam/handle/001/1125/Moreno%20Ca%C3%B1on%2C%20Julio%20Cesar2019.pdf?sequence=1&isAllowed=y Si, Z., Yang, M., Yu, Y., Ding, T., y Li, M. (2020). A Hybrid Photovoltaic Power Prediction Model Based on Multi-source Data Fusion and Deep Learning. 2020 IEEE Student Conference on Electric Machines and Systems, SCEMS 2020, 608–613. https://doi.org/10.1109/SCEMS48876.2020.9352398 Song, Y., Zhao, T., Niu, Z., Du, J., Jiang, F., y Zhai, F. (2022). Short-Term PV Output Prediction Method Based on Feature Analysis and Multi-model Fusion. 2022 3rd Information Communication Technologies Conference, ICTC 2022, 232–237. https://doi.org/10.1109/ICTC55111.2022.9778479 Stefenon, S. F., Kasburg, C., Nied, A., Klaar, A. C. R., Ferreira, F. C. S., y Branco, N. W. (2020). Hybrid deep learning for power generation forecasting in active solar trackers. IET Generation, Transmission & Distribution, 14(23), 5667–5674. https://doi.org/10.1049/IETGTD.2020.0814 Tang, P., Chen, D., y Hou, Y. (2016). Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting. Chaos, Solitons & Fractals, 89, 243–248. https://doi.org/10.1016/J.CHAOS.2015.11.008 Theocharides, S., Makrides, G., Livera, A., Theristis, M., Kaimakis, P., y Georghiou, G. E. (2020). Day-ahead photovoltaic power production forecasting methodology based on machine learning and statistical post-processing. Applied Energy, 268, 115023. https://doi.org/10.1016/J.APENERGY.2020.115023 UI GreenMetric. (s/f). Methodology. Recuperado el 14 de abril de 2023, de https://greenmetric.ui.ac.id/about/methodology Universidad Autónoma de Occidente. (2021). Reporte de sostenibilidad 2021. https://campussostenible.org/wp-content/uploads/2022/10/reporte-sostenibilidad2021.pdf Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., y Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 2017-December, 5999–6009. https://arxiv.org/abs/1706.03762v5 Wang, F., Xuan, Z., Zhen, Z., Li, K., Wang, T., y Shi, M. (2020). A day-ahead PV power forecasting method based on LSTM-RNN model and time correlation modification under partial daily pattern prediction framework. Energy Conversion and Management, 212, 112766. https://doi.org/10.1016/J.ENCONMAN.2020.112766 Wang, F., Yu, Y., Zhang, Z., Li, J., Zhen, Z., y Li, K. (2018). Wavelet Decomposition and Convolutional LSTM Networks Based Improved Deep Learning Model for Solar Irradiance Forecasting. Applied Sciences 2018, Vol. 8, Page 1286, 8(8), 1286. https://doi.org/10.3390/APP8081286 Wang, F., Zhang, Z., Liu, C., Yu, Y., Pang, S., Duić, N., Shafie-khah, M., y Catalão, J. P. S. (2019). Generative adversarial networks and convolutional neural networks based weather classification model for day ahead short-term photovoltaic power forecasting. Energy Conversion and Management, 181, 443–462. https://doi.org/10.1016/J.ENCONMAN.2018.11.074 Wen, L., Zhou, K., Yang, S., y Lu, X. (2019). Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting. Energy, 171, 1053–1065. https://doi.org/10.1016/J.ENERGY.2019.01.075 Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., y Sun, L. (2022). Transformers in Time Series: A Survey. https://arxiv.org/abs/2202.07125v5 Wentz, V. H., Maciel, J. N., Ledesma, J. J. G., y Junior, O. H. A. (2022). Solar Irradiance Forecasting to Short-Term PV Power: Accuracy Comparison of ANN and LSTM Models. Energies, 15(7). https://doi.org/10.3390/en15072457 Zang, H., Cheng, L., Ding, T., Cheung, K. W., Wei, Z., y Sun, G. (2020). Day-ahead photovoltaic power forecasting approach based on deep convolutional neural networks and meta learning. International Journal of Electrical Power & Energy Systems, 118, 105790. https://doi.org/10.1016/J.IJEPES.2019.105790 Zhang, J., Verschae, R., Nobuhara, S., y Lalonde, J.-F. (2018). Deep Photovoltaic Nowcasting. Solar Energy, 176, 267–276. https://doi.org/10.1016/J.SOLENER.2018.10.024 Zhou, H., Zhang, Y., Yang, L., Liu, Q., Yan, K., y Du, Y. (2019). Short-Term photovoltaic power forecasting based on long short term memory neural network and attention mechanism. IEEE Access, 7, 78063–78074. https://doi.org/10.1109/ACCESS.2019.2923006 Zhou, Y., Zhou, N., Gong, L., y Jiang, M. (2020). Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine. Energy, 204, 117894. https://doi.org/10.1016/J.ENERGY.2020.117894 |
dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2023 |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
rights_invalid_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2023 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.spa.fl_str_mv |
80 páginas |
dc.format.mimetype.eng.fl_str_mv |
application/pdf |
dc.coverage.spatial.none.fl_str_mv |
Cll 25 # 115-85 Km 2 Vía Cali - Jamundi |
dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.place.spa.fl_str_mv |
Cali |
institution |
Universidad Autónoma de Occidente |
bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/e3a693fa-6204-4cb2-a4c6-75c160c8b902/download https://red.uao.edu.co/bitstreams/aad6788a-7241-4638-9b6c-fda53aef4a8d/download https://red.uao.edu.co/bitstreams/234b73da-3976-4697-8e01-a3924113e5d3/download https://red.uao.edu.co/bitstreams/5b8fbbae-022b-4e8a-a780-b3b552a482ce/download https://red.uao.edu.co/bitstreams/aa4189fc-d1d3-4b83-915f-19b568d68d14/download https://red.uao.edu.co/bitstreams/93714a98-9cb4-43a8-8eb6-f49c3d387032/download https://red.uao.edu.co/bitstreams/876753e3-9119-4f07-9e4e-42235904cba2/download |
bitstream.checksum.fl_str_mv |
bdb48946dc308aa2d8cff30a32efdc94 9e139f91aaa7839a26f3e3659404a51a 20b5ba22b1117f71589c7318baa2c560 370ae332ab29eb314be3fb2de3361ebf 55c7f632528328801392f2ed91ed337b 758fba714ba5d2ceec0953003302453c 4b9964ecde6262d26689053176ace576 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
repository.mail.fl_str_mv |
repositorio@uao.edu.co |
_version_ |
1814260059024130048 |
spelling |
López Sotelo, Jesús Alfonsovirtual::2967-1Rodríguez Leguizamón, Cinthia Kathalina8574a6ff2f08b066af3f8ed7020ea4e0Universidad Autónoma de OccidenteCll 25 # 115-85 Km 2 Vía Cali - Jamundi2023-09-07T13:22:13Z2023-09-07T13:22:13Z2023-08-08https://hdl.handle.net/10614/14971Universidad Autónoma de OccidenteRepositorio Educativo Digital UAOhttps://red.uao.edu.co/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.This paper describes the development of a forecasting model for PV power generation using data collected from May 2018 to February 2023. The dataset was preprocessed to fill missing data and analyze trends, seasonality, and stationarity. Three models were selected based on the bibliometric review performed. These models were SARIMA, LSTM and XGBoost, which were trained and evaluated using a sliding window technique and a validation set. The results of the study show that all three models can predict PV power generation; however, the XGBoost model had the best performance in training and validation, the latter resulting in an R-squared of 0.99, i.e., its predictions are the closest to the real values. Finally, the limitations of the study and possible areas of improvement for future research are discussed.Proyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2023PregradoIngeniero(a) Mecatrónico(a)80 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería MecatrónicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2023https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería MecatrónicaEnergía solarInteligencia artificial - Procesamiento de datosSolar energyArtificial intelligence - Data processingForecastingPower forecastingPV energyPVArtificial intelligencePronósticoPronóstico de generaciónEnergía fotovoltaicaFVInteligencia artificialPronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificialTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Rodríguez Leguizamón, C. K. (2023). Pronóstico de la generación de energía fotovoltaica del campus de la Universidad Autónoma de Occidente mediante modelo basado en inteligencia artificial. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia. https://red.uao.edu.co/handle/10614/14971Abdellatif, A., Mubarak, H., Ahmad, S., Ahmed, T., Shafiullah, G. M., Hammoudeh, A., Abdellatef, H., Rahman, M. M., y Gheni, H. M. (2022). Forecasting Photovoltaic Power Generation with a Stacking Ensemble Model. Sustainability 2022, Vol. 14, Page 11083, 14(17), 11083. https://doi.org/10.3390/SU141711083Arboles de decision y Random Forest. (s/f). Ensambladores: Random Forest - Parte I. Recuperado el 24 de abril de 2023, de https://bookdown.org/content/2031/ensambladoresrandom-forest-parte-i.htmlAtwan, T. A. (2022). Time Series Analysis with Python: Cookbook. Packt.Avila Camacho, J. (2020, marzo 27). Support Vector Regression (SVR). https://www.jacobsoft.com.mx/es_mx/support-vector-regression/Bahdanau, D., Cho, K. H., y Bengio, Y. (2014). Neural Machine Translation by Jointly Learning to Align and Translate. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. https://arxiv.org/abs/1409.0473v7Brownlee, J. (2017, enero 9). How to Create an ARIMA Model for Time Series Forecasting in Python. https://machinelearningmastery.com/arima-for-time-series-forecasting-withpython/Brownlee, J. (2020, agosto 5). How to Use XGBoost for Time Series Forecasting. https://machinelearningmastery.com/xgboost-for-time-series-forecasting/Celsia. (s/f). Todo lo que debes saber sobre energía solar en Colombia. Recuperado el 16 de abril de 2023, de https://eficienciaenergetica.celsia.com/todo-lo-que-debes-saber-sobreenergia-solar-en-colombia/Chen, T., y Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Association for Computing Machinery, 785–794. https://doi.org/10.1145/2939672.2939785Essam, Y., Ahmed, A. N., Ramli, R., Chau, K. W., Idris Ibrahim, M. S., Sherif, M., Sefelnasr, A., y El-Shafie, A. (2022). Investigating photovoltaic solar power output forecasting using machine learning algorithms. Engineering Applications of Computational Fluid Mechanics, 16(1), 2002–2034. https://doi.org/10.1080/19942060.2022.2126528Fierro, A. lejandro. (2020). Predicción de Series Temporales con Redes Neuronales [Universidad Nacional de La Plata]. http://sedici.unlp.edu.ar/bitstream/handle/10915/114857/Documento_completo.pdfPDFA.pdf?sequence=1&isAllowed=yGalvez, K. J. (2022). El ranking GreenMetric sitúa a la UAO como la IES más sostenible de Colombia. ASCUN. https://ascun.org.co/el-ranking-greenmetric-situa-a-la-uao-como-laies-mas-sostenible-de-colombia/GAMCO. (s/f). Perceptrón Multicapa - MLP. Qué es Perceptrón Multicapa - MLP. Recuperado el 22 de abril de 2023, de https://gamco.es/glosario/percepatron-multicapa-mlp/Gigoni, L., Betti, A., Crisostomi, E., Franco, A., Tucci, M., Bizzarri, F., y Mucci, D. (2018). Dayahead hourly forecasting of power generation from photovoltaic plants. IEEE Transactions on Sustainable Energy, 9(2), 831–842. https://doi.org/10.1109/TSTE.2017.2762435Hossain, M. S., y Mahmood, H. (2020). Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast. IEEE Access, 8, 172524–172533. https://doi.org/10.1109/ACCESS.2020.3024901Huang, C. J., y Kuo, P. H. (2019). Multiple-Input Deep Convolutional Neural Network Model for Short-Term Photovoltaic Power Forecasting. IEEE Access, 7, 74822–74834. https://doi.org/10.1109/ACCESS.2019.2921238IBM. (2023). R2. https://www.ibm.com/docs/es/cognos-analytics/11.1.0?topic=terms-r2Kasburg, C., y Frizzo, S. (2019). Deep Learning for Photovoltaic Generation Forecast in Active Solar Trackers. IEEE LATIN AMERICA TRANSACTIONS, 17(12). https://doi.org/10.1109/TLA.2019.9011546Khan, W., Walker, S., y Zeiler, W. (2022). Improved solar photovoltaic energy generation forecast using deep learning-based ensemble stacking approach. Energy, 240. https://doi.org/10.1016/J.ENERGY.2021.122812Li, G., Xie, S., Wang, B., Xin, J., Li, Y., y Du, S. (2020). Photovoltaic Power Forecasting with a Hybrid Deep Learning Approach. IEEE Access, 8, 175871–175880. https://doi.org/10.1109/ACCESS.2020.3025860Luo, X., Zhang, D., y Zhu, X. (2021). Deep learning based forecasting of photovoltaic power generation by incorporating domain knowledge. Energy, 225, 120240. https://doi.org/10.1016/J.ENERGY.2021.120240Macana Tascon, P. A. (2018). Modelado y simulación de sistema fotovoltaicos integrados en redes de distribución - Caso de estudio sistema fotovoltaico de la Universidad Autónoma de Occidente [Universidad Autónoma de Occidente]. https://red.uao.edu.co/bitstream/handle/10614/10032/T07695.pdf?sequence=6&isAllowe d=yMaciel, J. N., Wentz, V. H., Ledesma, J. J. G., y Junior, O. H. A. (2021). Analysis of Artificial Neural Networks for Forecasting Photovoltaic Energy Generation with Solar Irradiance. Brazilian Archives of Biology and Technology, 64(21210131), e21210131. https://doi.org/10.1590/1678-4324-75YEARS-2021210131Markovics, D., y Mayer, M. J. (2022). Investigating the effect of training time for machine learning based photovoltaic power forecasting. 2022 8th International Youth Conference on Energy, IYCE 2022. https://doi.org/10.1109/IYCE54153.2022.9857544Montoya-Cardona, J. F. (2021). Pronóstico de la demanda de energía en Colombia a corto plazo basado en un modelo híbrido adaptativo [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/handle/unal/80568Munawar, U., y Wang, Z. (2020). A Framework of Using Machine Learning Approaches for Short-Term Solar Power Forecasting. Journal of Electrical Engineering and Technology, 15(2), 561–569. https://doi.org/10.1007/S42835-020-00346-4/FIGURES/12Muñoz-Santiago, A., Urquijo-Vanstrahlengs, J., Castro-Otero, A., y Lombana, J. (2017). Forecast of energy prices in Colombia using arima-igarch models. Revista de Economia del Rosario, 20(1), 127–161. https://doi.org/10.12804/revistas.urosario.edu.co/economia/a.6152Naciones Unidas. (s/f-a). Acción por el clima. Energías renovables: energías para un futuro más seguro. Recuperado el 23 de abril de 2023, de https://www.un.org/es/climatechange/raising-ambition/renewable-energyNaciones Unidas. (s/f-b). Objetivo 7: Garantizar el acceso a una energía asequible, segura, sostenible y moderna. Objetivos de desarrollo sostenible. Recuperado el 16 de abril de 2023, de https://www.un.org/sustainabledevelopment/es/energy/Palomino, M. (2017, noviembre 26). Series Temporales. https://rpubs.com/palominoM/seriesPech May, F. (2018). Procesamiento de Lenguaje Natural con DeepLearning. https://www.tamps.cinvestav.mx/~fpech/doc/DLScr/PLN.html Peixeiro, M. (2022). Time Series Forecasting in Python.Phan, Q. T., Wu, Y. K., Phan, Q. D., y Lo, H. Y. (2023). A Novel Forecasting Model for Solar Power Generation by a Deep Learning Framework With Data Preprocessing and Postprocessing. IEEE Transactions on Industry Applications, 59(1), 220–231. https://doi.org/10.1109/TIA.2022.3212999Pierro, M., Bucci, F., De Felice, M., Maggioni, E., Moser, D., Perotto, A., Spada, F., y Cornaro, C. (2016). Multi-Model Ensemble for day ahead prediction of photovoltaic power generation. Solar Energy, 134, 132–146. https://doi.org/10.1016/J.SOLENER.2016.04.040PVsyst. (s/f). Features. Recuperado el 15 de abril de 2023, de https://www.pvsyst.com/features/Qing, X., y 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.2018.01.177RatedPower. (2022). Renewable Energy and Solar Research Report: What’s in Store for 2022. https://go.ratedpower.com/hubfs/Solar_Trends_Report_2022.pdfRMSE (Error cuadrático medio). (s/f). Recuperado el 4 de mayo de 2023, de https://docs.oracle.com/cloud/help/es/pbcs_common/PFUSU/insights_metrics_RMSE.htm#PFUSU-GUID-FD9381A1-81E1-4F6D-8EC4-82A6CE2A6E74Romero, J. G., Cesar, J., y Cañon, M. (2019). Demanda de la energía eléctrica en Colombia: un modelo de pronóstico. chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://repositorio.escuelaing.edu.co/bitstr eam/handle/001/1125/Moreno%20Ca%C3%B1on%2C%20Julio%20Cesar2019.pdf?sequence=1&isAllowed=ySi, Z., Yang, M., Yu, Y., Ding, T., y Li, M. (2020). A Hybrid Photovoltaic Power Prediction Model Based on Multi-source Data Fusion and Deep Learning. 2020 IEEE Student Conference on Electric Machines and Systems, SCEMS 2020, 608–613. https://doi.org/10.1109/SCEMS48876.2020.9352398Song, Y., Zhao, T., Niu, Z., Du, J., Jiang, F., y Zhai, F. (2022). Short-Term PV Output Prediction Method Based on Feature Analysis and Multi-model Fusion. 2022 3rd Information Communication Technologies Conference, ICTC 2022, 232–237. https://doi.org/10.1109/ICTC55111.2022.9778479Stefenon, S. F., Kasburg, C., Nied, A., Klaar, A. C. R., Ferreira, F. C. S., y Branco, N. W. (2020). Hybrid deep learning for power generation forecasting in active solar trackers. IET Generation, Transmission & Distribution, 14(23), 5667–5674. https://doi.org/10.1049/IETGTD.2020.0814Tang, P., Chen, D., y Hou, Y. (2016). Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting. Chaos, Solitons & Fractals, 89, 243–248. https://doi.org/10.1016/J.CHAOS.2015.11.008Theocharides, S., Makrides, G., Livera, A., Theristis, M., Kaimakis, P., y Georghiou, G. E. (2020). Day-ahead photovoltaic power production forecasting methodology based on machine learning and statistical post-processing. Applied Energy, 268, 115023. https://doi.org/10.1016/J.APENERGY.2020.115023UI GreenMetric. (s/f). Methodology. Recuperado el 14 de abril de 2023, de https://greenmetric.ui.ac.id/about/methodologyUniversidad Autónoma de Occidente. (2021). Reporte de sostenibilidad 2021. https://campussostenible.org/wp-content/uploads/2022/10/reporte-sostenibilidad2021.pdfVaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., y Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 2017-December, 5999–6009. https://arxiv.org/abs/1706.03762v5Wang, F., Xuan, Z., Zhen, Z., Li, K., Wang, T., y Shi, M. (2020). A day-ahead PV power forecasting method based on LSTM-RNN model and time correlation modification under partial daily pattern prediction framework. Energy Conversion and Management, 212, 112766. https://doi.org/10.1016/J.ENCONMAN.2020.112766Wang, F., Yu, Y., Zhang, Z., Li, J., Zhen, Z., y Li, K. (2018). Wavelet Decomposition and Convolutional LSTM Networks Based Improved Deep Learning Model for Solar Irradiance Forecasting. Applied Sciences 2018, Vol. 8, Page 1286, 8(8), 1286. https://doi.org/10.3390/APP8081286Wang, F., Zhang, Z., Liu, C., Yu, Y., Pang, S., Duić, N., Shafie-khah, M., y Catalão, J. P. S. (2019). Generative adversarial networks and convolutional neural networks based weather classification model for day ahead short-term photovoltaic power forecasting. Energy Conversion and Management, 181, 443–462. https://doi.org/10.1016/J.ENCONMAN.2018.11.074Wen, L., Zhou, K., Yang, S., y Lu, X. (2019). Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting. Energy, 171, 1053–1065. https://doi.org/10.1016/J.ENERGY.2019.01.075Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., y Sun, L. (2022). Transformers in Time Series: A Survey. https://arxiv.org/abs/2202.07125v5Wentz, V. H., Maciel, J. N., Ledesma, J. J. G., y Junior, O. H. A. (2022). Solar Irradiance Forecasting to Short-Term PV Power: Accuracy Comparison of ANN and LSTM Models. Energies, 15(7). https://doi.org/10.3390/en15072457Zang, H., Cheng, L., Ding, T., Cheung, K. W., Wei, Z., y Sun, G. (2020). Day-ahead photovoltaic power forecasting approach based on deep convolutional neural networks and meta learning. International Journal of Electrical Power & Energy Systems, 118, 105790. https://doi.org/10.1016/J.IJEPES.2019.105790Zhang, J., Verschae, R., Nobuhara, S., y Lalonde, J.-F. (2018). Deep Photovoltaic Nowcasting. Solar Energy, 176, 267–276. https://doi.org/10.1016/J.SOLENER.2018.10.024Zhou, H., Zhang, Y., Yang, L., Liu, Q., Yan, K., y Du, Y. (2019). Short-Term photovoltaic power forecasting based on long short term memory neural network and attention mechanism. IEEE Access, 7, 78063–78074. https://doi.org/10.1109/ACCESS.2019.2923006Zhou, Y., Zhou, N., Gong, L., y Jiang, M. (2020). Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine. Energy, 204, 117894. https://doi.org/10.1016/J.ENERGY.2020.117894Comunidad generalPublicationhttps://scholar.google.com.au/citations?user=7PIjh_MAAAAJ&hl=envirtual::2967-10000-0002-9731-8458virtual::2967-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249106virtual::2967-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2967-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2967-1ORIGINALT10736.pdfT10736.pdfTexto archivo completo de trabajo de grado.pdfapplication/pdf2733279https://red.uao.edu.co/bitstreams/e3a693fa-6204-4cb2-a4c6-75c160c8b902/downloadbdb48946dc308aa2d8cff30a32efdc94MD51TA10736_Autorización trabajo de grado.pdfTA10736_Autorización trabajo de grado.pdfAutorización publicación de trabajo de gradoapplication/pdf415964https://red.uao.edu.co/bitstreams/aad6788a-7241-4638-9b6c-fda53aef4a8d/download9e139f91aaa7839a26f3e3659404a51aMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/234b73da-3976-4697-8e01-a3924113e5d3/download20b5ba22b1117f71589c7318baa2c560MD52TEXTT10736.pdf.txtT10736.pdf.txtExtracted texttext/plain131800https://red.uao.edu.co/bitstreams/5b8fbbae-022b-4e8a-a780-b3b552a482ce/download370ae332ab29eb314be3fb2de3361ebfMD54TA10736_Autorización trabajo de grado.pdf.txtTA10736_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/aa4189fc-d1d3-4b83-915f-19b568d68d14/download55c7f632528328801392f2ed91ed337bMD56THUMBNAILT10736.pdf.jpgT10736.pdf.jpgGenerated Thumbnailimage/jpeg7375https://red.uao.edu.co/bitstreams/93714a98-9cb4-43a8-8eb6-f49c3d387032/download758fba714ba5d2ceec0953003302453cMD55TA10736_Autorización trabajo de grado.pdf.jpgTA10736_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13167https://red.uao.edu.co/bitstreams/876753e3-9119-4f07-9e4e-42235904cba2/download4b9964ecde6262d26689053176ace576MD5710614/14971oai:red.uao.edu.co:10614/149712024-03-08 10:05:31.225https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2023open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |