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
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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