Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia
En este proyecto se desarrolló una herramienta que consta de una Red Neuronal Artificial (RNA) que brinda apoyo en el dimensionamiento y proyección de los sistemas fotovoltaicos. Esto fue realizado, mediante una estimación de la configuración eléctrica de algunos proyectos registrados ante la UPME y...
- Autores:
-
Ochoa Buitrago, Harold Oswaldo
Ramírez León, Fabian Yesid
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/11930
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/11930
- Palabra clave:
- Energy engineering
Technological innovations
Energy
Neural networks
Decision tree
Artificial intelligence
Flexible computing
Grid-connected system
Ingeniería en energía
Innovaciones tecnológicas
Energía
Inteligencia artificial
Computación flexible
Redes neuronales
Árbol de decisión
Grid tie
Sistema fotovoltaico conectado a la red
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_6df0b307bb2589d71787467a931232d2 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/11930 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| dc.title.translated.spa.fl_str_mv |
Tool for the design of photovoltaic solar systems based on artificial neural networks (ANN) to determine the configuration, selection of equipment and photovoltaic arrangements in Colombia |
| title |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| spellingShingle |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia Energy engineering Technological innovations Energy Neural networks Decision tree Artificial intelligence Flexible computing Grid-connected system Ingeniería en energía Innovaciones tecnológicas Energía Inteligencia artificial Computación flexible Redes neuronales Árbol de decisión Grid tie Sistema fotovoltaico conectado a la red |
| title_short |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| title_full |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| title_fullStr |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| title_full_unstemmed |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| title_sort |
Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia |
| dc.creator.fl_str_mv |
Ochoa Buitrago, Harold Oswaldo Ramírez León, Fabian Yesid |
| dc.contributor.advisor.spa.fl_str_mv |
Mendoza Castellanos, Luis Sebastián Arizmendi Pereira, Carlos Julio Noguera Galindo, Ana Lisbeth |
| dc.contributor.author.spa.fl_str_mv |
Ochoa Buitrago, Harold Oswaldo Ramírez León, Fabian Yesid |
| dc.contributor.cvlac.*.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000115302 |
| dc.contributor.googlescholar.*.fl_str_mv |
https://scholar.google.es/citations?hl=es&user=S5TZbi8AAAAJ |
| dc.contributor.orcid.*.fl_str_mv |
https://orcid.org/0000-0001-8263-2551 |
| dc.contributor.scopus.*.fl_str_mv |
https://www.scopus.com/authid/detail.uri?authorId=57193169160 |
| dc.contributor.researchgate.*.fl_str_mv |
https://www.researchgate.net/profile/Sebastian_Mendoza6 |
| dc.subject.keywords.eng.fl_str_mv |
Energy engineering Technological innovations Energy Neural networks Decision tree Artificial intelligence Flexible computing Grid-connected system |
| topic |
Energy engineering Technological innovations Energy Neural networks Decision tree Artificial intelligence Flexible computing Grid-connected system Ingeniería en energía Innovaciones tecnológicas Energía Inteligencia artificial Computación flexible Redes neuronales Árbol de decisión Grid tie Sistema fotovoltaico conectado a la red |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería en energía Innovaciones tecnológicas Energía Inteligencia artificial Computación flexible |
| dc.subject.proposal.spa.fl_str_mv |
Redes neuronales Árbol de decisión Grid tie Sistema fotovoltaico conectado a la red |
| description |
En este proyecto se desarrolló una herramienta que consta de una Red Neuronal Artificial (RNA) que brinda apoyo en el dimensionamiento y proyección de los sistemas fotovoltaicos. Esto fue realizado, mediante una estimación de la configuración eléctrica de algunos proyectos registrados ante la UPME y los datos de ingeniería de detalle que se documentan en la Agencia Nacional de Licencias Ambientales (ANLA). Para la propuesta se implementó una técnica de inteligencia artificial, aprendizaje de máquina supervisado. Para esto, fue implementada una variación del algoritmo K vecinos cercanos, por medio de la función FSCNCA por sus siglas en inglés “Feature Selection for Classification using Neighborhood Component Analysis”. Se usó la técnica de redes neuronales que permitieron el dimensionamiento, diseño y clasificación de los proyectos solares fotovoltaicos. Adicionalmente se implementó un árbol de decisión, que permitió seleccionar más aproximadas a los requerimientos área, potencia de diseño y presupuesto destinado a paneles e inversores. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-12-15T15:20:52Z |
| dc.date.available.none.fl_str_mv |
2020-12-15T15:20:52Z |
| dc.date.issued.none.fl_str_mv |
2020-09 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/11930 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/11930 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
[1] UPME, “Circular Externa No 046-2019,” 2019. [2] “Microsoft Power B .” [ nline]. Available: https://app.powerbi.com/view?r=eyJrIjoiNzBhN2Q4YmMtN2IxMy00Mjg2LWJhZTctMjRkNWE2NDdlMzI0IiwidCI6IjgxNTAwZjZkLWJjZTktNDgzNC1iNDQ2LTc0YjVmYjljZjEwZSIsImMiOjh9. [Accessed: 15-Jun-2020]. [3] “PV Performance Modeling Collaborative | PV_ B Toolbox,” PV Lib, 2018. [Online]. Available: https://pvpmc.sandia.gov/applications/pv_lib-toolbox/. [Accessed: 02-Jun-2020]. [4] A. Mellita and M. Benghanem, “Sizing of stand-alone photovoltaic systems using neural network adaptive model,” Desalination, vol. 209, no. 1-3 SPEC. ISS., pp. 64–72, 2007, doi: 10.1016/j.desal.2007.04.010 [5] L. ontoria, J. Aguilera, and P. Zufiria, “A new approach for sizing stand alone photovoltaic systems based in neural networks,” Sol. Energy, vol. 78, no. 2, pp. 313–319, 2005, doi: 10.1016/j.solener.2004.08.018. [6] M. H. Alomari, J. Adeeb, and O. Younis, “Solar photovoltaic power forecasting in Jordan using artificial neural networks,” Int. J. Electr. Comput. Eng., vol. 8, no. 1, pp. 497–504, 2018, doi: 10.11591/ijece.v8i1.pp497-504 [7] A. K. Yadav and S. S. Chandel, “Solar radiation prediction using Artificial Neural Network techniques: A review,” Renew. Sustain. Energy Rev., vol. 33, pp. 772–781, 2014, doi: 10.1016/j.rser.2013.08.055. [8] F. Rodríguez, A. Fleetwood, A. Galarza, and L. Fontán, “Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control,” Renew. Energy, vol. 126, pp. 855–864, 2018, doi: 10.1016/j.renene.2018.03.070 [9] X. Luo et al., Solar water heating system. 2018 [10] R. D. Prasad and R. C. Bansal, “Photovoltaic systems,” Handb. Renew. Energy Technol., pp. 205–224, 2011, doi: 10.1142/9789814289078_0009 [11] M. C. MER N , “Escuela Técnica Superior de ngeniería del Diseño Grado en Ingeniería Electrónica Industrial y Automática,” 2019 [12] meteorología y estudios ambientales (IDEAM) Instituto de hidrología, “ RRAD AC ÓN G BA R Z NTA MED D AR ANUA ,” 2014. [Online]. Available: http://atlas.ideam.gov.co/basefiles/RadiacionSolar13.pdf. [Accessed: 03-Jun-2020]. [13] Subdirección de Meteorología and DEAM, “Clasificaciones Climaticas Colombia,” 05-Jun-2020. [Online]. Available: http://www.ideam.gov.co/documents/21021/418894/Clasificaciones+Climáticas.pdf/15d8c5c8-a850-43f9-a954-2ce98d927f98. [Accessed: 04-Jul-2020]. [14] K. A. ERNÁNDEZ and J. S. CARR CRUZ, “ANÁ S S DE A CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS ÁB T S DE C NSUM ,” Univ. Dist. Fr. JOSÉ CALDAS, vol. 01, pp. 1–163, 2017. [15] O. Perpiñan Lamigueiro, E S Fotovoltaica. 2012. [16] A. Smets, K. Jäger, O. Isabella, R. A. C. M. M. Van Swaaij, and M. Zeman, Solar Energy - The physics and engineering of photovoltaic conversion, technologies and systems. 2016. [17] E. M. Knowles, Oxford Dictionary of Phrase and Fable. Oxford University Press, 2005 [18] S. Rusell and P. Norvig, Inteligencia Artificial. Un Enfoque Moderno. 2004. [19] V. Novák, . Perfilieva, and J. Močkoř, Mathematical Principles of Fuzzy Logic, no. January. 1999 [20] F. Behrooz, N. Mariun, M. H. Marhaban, M. A. M. Radzi, and A. R. Ramli, “Review of control techniques for VAC systems-nonlinearity approaches based on fuzzy cognitive maps,” Energies, vol. 11, no. 3, 2018, doi: 10.3390/en11030495 [21] B. G. BUC ANAN, “Expert systems: working systems and the research literature,” Expert Syst., vol. 3, no. 1, pp. 32–50, 1986, doi: 10.1111/j.1468-0394.1986.tb00192.x. [22] D. uttenlocher, “Computer vision,” Comput. Sci. Handbook, Second Ed., pp. 43-1-43–23, 2004, doi: 10.4324/9780429042522-10. [23] E. Gharibkhani and R. C. Akdeniz, “Advantages and Disadvantages of Machine Vision Applications for Automatic Sorting of Aflatoxin Contaminated Dried Figs,” vol. 10, pp. 7–10, 2014. [24] A. Cortez, H. Vega, and J. Pariona, “Procesamiento de lenguaje natural robusto,” Prim. encuentro Grup. Investig. sobre Proces. del Leng., vol. 2013, no. 3, p. 147, 2011. [25] A. Geron, Hands-On Machine Learing With Scikit-Learn & Tensor Flow. ’Reilly Media, 2017 [26] T. Yang, Q. Zhao, X. Wang, and Q. Zhou, “Sub-pixel chessboard corner localization for camera calibration and pose estimation,” Appl. Sci., vol. 8, no. 11, 2018, doi: 10.3390/app8112118 [27] F. errera, “Big Data: Preprocesamiento y calidad de datos,” Novática, no. 237, p. 17, 2016. [28] R. Goyena and A. . Fallis, Data mining concepts and techniques, vol. 53, no. 9. 2019 [29] A. linsky, S. Chen, and . arlow, “The comparative efficacy of imputation methods for missing data in structural equation modeling,” Eur. J. Oper. Res., vol. 151, no. 1, pp. 53–79, 2003, doi: 10.1016/S0377-2217(02)00578-7. [30] H. Junninen, H. Niska, K. Tuppurainen, J. Ruuskanen, and M. Kolehmainen, “Methods for imputation of missing values in air quality data sets,” Atmos. Environ., vol. 38, no. 18, pp. 2895–2907, 2004, doi: 10.1016/j.atmosenv.2004.02.026. [31] D. Berrar, “Cross-validation,” Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1–3, no. April, pp. 542–545, 2018, doi: 10.1016/B978-0-12-809633-8.20349-X. [32] T. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009. [33] W. Yang, K. Wang, and W. Zuo, “Neighborhood component feature selection for high-dimensional data,” J. Comput., vol. 7, no. 1, pp. 162–168, 2012, doi: 10.4304/jcp.7.1.161-168 [34] H. H. Hsu, C. Y. Chang, and C. H. Hsu, Big Data Analytics for Sensor-Network Collected Intelligence. 2017. [35] H. e, Y. Bai, E. A. Garcia, and S. i, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” Proc. Int. Jt. Conf. Neural Networks, no. 3, pp. 1322–1328, 2008, doi: 10.1109/IJCNN.2008.4633969 [36] W. J. Murdoch, C. Singh, K. Kumbier, R. Abbasi-Asl, and B. Yu, “Definitions, methods, and applications in interpretable machine learning,” Proc. Natl. Acad. Sci. U. S. A., vol. 116, no. 44, pp. 22071–22080, 2019, doi: 10.1073/pnas.1900654116. [37] N. K. K, “Naive Bayes : Text Classifier for Spam Detection. - Naveen Kumar K - Medium,” 2019. [ nline]. Available: https://medium.com/@naveeen.kumar.k/naive-bayes-spam-detection-7d087cc96d9d. [Accessed: 03-Jun-2020]. [38] . . W. and E. Fran, “ ntroducción a Data Mining,” SAS Train. courses, vol. (2thEd.), no. Dm, p. 34, 2007. [39] K. A. Gaurav and L. Patel, Machine Learning With R. 2020. [40] “ ow to Bulid a Neural Network in Python | Blog | Dimensionless.” [ nline]. Available: https://dimensionless.in/building-a-neural-network-in-python-language-modeling-task/. [Accessed: 03-Jun-2020]. [41] David Kriesel, “A Brief ntoduction to Neural Networks,” Nonlinear Syst. Identif., pp. 239–297, 2001, doi: 10.1007/978-3-662-04323-3_10. [42] C. Bircano and T. Çizge, “Yapay Sinir A ˘ glarında Aktivasyon Fonksiyonlarının Kar ¸ sıla ¸ stırılması A Comparison of Activation Functions in Artificial Neural Networks,” 2018 26th Signal Process. Commun. Appl. Conf., pp. 1–4. [43] P. Marius-Constantin, V. E. Balas, L. Perescu-Popescu, and N. Mastorakis, “Multilayer perceptron and neural networks,” WSEAS Trans. Circuits Syst., vol. 8, no. 7, pp. 579–588, 2009. [44] M. N. Noor, A. S. Yahaya, N. A. Ramli, and A. M. M. Al Bakri, “Filling missing data using interpolation methods: Study on the effect of fitting distribution,” Key Eng. Mater., vol. 594–595, pp. 889–895, 2014, doi: 10.4028/www.scientific.net/KEM.594-595.889. |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería en Energía |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/11930/1/2020_Tesis_Harold_Ochoa.pdf https://repository.unab.edu.co/bitstream/20.500.12749/11930/7/2020_Licencia_Harold_Ochoa.pdf https://repository.unab.edu.co/bitstream/20.500.12749/11930/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/11930/5/2020_Tesis_Harold_Ochoa.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/11930/6/2020_Licencia_Fabian_Ramirez.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/11930/8/2020_Licencia_Harold_Ochoa.pdf.jpg |
| bitstream.checksum.fl_str_mv |
48a01e33ca2a36fce0f9c768bd8f1345 aba1c0fe41fe38af5a3c9c4fb5f8485e 8a4605be74aa9ea9d79846c1fba20a33 def4ea4ae692ba20005348374acb4da8 3c0de52768b3561f449c929f6f801c57 92e9f45ee397594d46799dd66c6ad1ae |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1814277293678264320 |
| spelling |
Mendoza Castellanos, Luis SebastiánArizmendi Pereira, Carlos JulioNoguera Galindo, Ana LisbethOchoa Buitrago, Harold OswaldoRamírez León, Fabian Yesidhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000115302https://scholar.google.es/citations?hl=es&user=S5TZbi8AAAAJhttps://orcid.org/0000-0001-8263-2551https://www.scopus.com/authid/detail.uri?authorId=57193169160https://www.researchgate.net/profile/Sebastian_Mendoza6Colombia2020-12-15T15:20:52Z2020-12-15T15:20:52Z2020-09http://hdl.handle.net/20.500.12749/11930instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEn este proyecto se desarrolló una herramienta que consta de una Red Neuronal Artificial (RNA) que brinda apoyo en el dimensionamiento y proyección de los sistemas fotovoltaicos. Esto fue realizado, mediante una estimación de la configuración eléctrica de algunos proyectos registrados ante la UPME y los datos de ingeniería de detalle que se documentan en la Agencia Nacional de Licencias Ambientales (ANLA). Para la propuesta se implementó una técnica de inteligencia artificial, aprendizaje de máquina supervisado. Para esto, fue implementada una variación del algoritmo K vecinos cercanos, por medio de la función FSCNCA por sus siglas en inglés “Feature Selection for Classification using Neighborhood Component Analysis”. Se usó la técnica de redes neuronales que permitieron el dimensionamiento, diseño y clasificación de los proyectos solares fotovoltaicos. Adicionalmente se implementó un árbol de decisión, que permitió seleccionar más aproximadas a los requerimientos área, potencia de diseño y presupuesto destinado a paneles e inversores.Introducción ........................................................................................................... 3 1. Aspectos generales del proyecto .................................................................... 4 1.1 Planteamiento del problema ...................................................................... 4 1.2 Objetivo principal....................................................................................... 5 1.3 Objetivos específicos ................................................................................ 5 1.4 Alcances ................................................................................................... 5 1.5 Limitaciones .............................................................................................. 5 1.6 Justificación .............................................................................................. 6 2. Marco referencial ............................................................................................ 7 2.1 Antecedentes ............................................................................................ 7 2.2 Marco teórico. ........................................................................................... 8 Movimiento aparente del sol ............................................................... 8 Sistemas fotovoltaicos ........................................................................ 9 Sistemas fotovoltaicos conectados a la red ...................................... 10 Dimensionamiento de sistemas fotovoltaicos conectados a la red .... 10 Inteligencia artificial .......................................................................... 14 Tratamiento de datos ........................................................................ 16 Selección de características ............................................................. 19 Generación de datos ........................................................................ 22 Aprendizaje de maquina ................................................................... 24 Algoritmos de aprendizaje supervisado ......................................... 24 3. Metodología. ................................................................................................. 34 4. Recolección de datos .................................................................................... 34 4.1 Desarrollo de la herramienta auxiliar ....................................................... 35 4.2 Tratamiento de datos .............................................................................. 37 Visualización de datos ...................................................................... 37 Limpieza de datos ............................................................................ 40 Imputación de datos utilizando interpolación lineal ........................... 40 5. Selección de características.......................................................................... 42 Selección de características para clasificación ................................. 43 Generación de datos sintéticos ......................................................... 46 II Selección de características para la regresión .................................. 47 6. Redes neuronales ......................................................................................... 54 Redes neuronales para clasificación ................................................ 55 Redes neuronales para regresión ..................................................... 58 7. Resultados .................................................................................................... 62 7.1 Base de datos de los proyectos .............................................................. 62 7.2 Variables más relevantes para la clasificación ........................................ 63 7.3 Variables más relevantes para la regresión............................................. 64 7.4 Arquitecturas seleccionadas ................................................................... 65 7.5 Herramienta ............................................................................................ 67 7.6 Ensayo de la herramienta ....................................................................... 68 8. Conclusiones ................................................................................................ 69 9. Recomendaciones ........................................................................................ 70 10. Biografía ..................................................................................................... 71 Anexo A : Datos recolectados de la ANLA ...................................................... 75 Anexo B : Tabla de dimensionamiento de la herramienta auxiliar ................... 77 Anexo C : Explicación del script del proceso ................................................... 81PregradoIn this project, a tool was developed that consists of an Artificial Neural Network (ANN) that provides support in the dimensioning and projection of photovoltaic systems. This was done by estimating the electrical configuration of some projects registered with the UPME and detailed engineering data that is documented in the National Environmental Licensing Agency (ANLA). For the proposal, an artificial intelligence technique, supervised machine learning, was implemented. For this, a variation of the K near neighbors algorithm was implemented, by means of the FSCNCA function for its acronym in English “Feature Selection for Classification using Neighborhood Component Analysis”. The neural network technique was used that allowed the dimensioning, design and classification of photovoltaic solar projects. Additionally, a decision tree was implemented, which made it possible to select the most approximate requirements for area, design power and budget for panels and inverters.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaHerramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en ColombiaTool for the design of photovoltaic solar systems based on artificial neural networks (ANN) to determine the configuration, selection of equipment and photovoltaic arrangements in ColombiaIngeniero en EnergíaUniversidad Autónoma de Bucaramanga UNABPregrado Ingeniería en Energíainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPEnergy engineeringTechnological innovationsEnergyNeural networksDecision treeArtificial intelligenceFlexible computingGrid-connected systemIngeniería en energíaInnovaciones tecnológicasEnergíaInteligencia artificialComputación flexibleRedes neuronalesÁrbol de decisiónGrid tieSistema fotovoltaico conectado a la red[1] UPME, “Circular Externa No 046-2019,” 2019.[2] “Microsoft Power B .” [ nline]. Available: https://app.powerbi.com/view?r=eyJrIjoiNzBhN2Q4YmMtN2IxMy00Mjg2LWJhZTctMjRkNWE2NDdlMzI0IiwidCI6IjgxNTAwZjZkLWJjZTktNDgzNC1iNDQ2LTc0YjVmYjljZjEwZSIsImMiOjh9. [Accessed: 15-Jun-2020].[3] “PV Performance Modeling Collaborative | PV_ B Toolbox,” PV Lib, 2018. [Online]. Available: https://pvpmc.sandia.gov/applications/pv_lib-toolbox/. [Accessed: 02-Jun-2020].[4] A. Mellita and M. Benghanem, “Sizing of stand-alone photovoltaic systems using neural network adaptive model,” Desalination, vol. 209, no. 1-3 SPEC. ISS., pp. 64–72, 2007, doi: 10.1016/j.desal.2007.04.010[5] L. ontoria, J. Aguilera, and P. Zufiria, “A new approach for sizing stand alone photovoltaic systems based in neural networks,” Sol. Energy, vol. 78, no. 2, pp. 313–319, 2005, doi: 10.1016/j.solener.2004.08.018.[6] M. H. Alomari, J. Adeeb, and O. Younis, “Solar photovoltaic power forecasting in Jordan using artificial neural networks,” Int. J. Electr. Comput. Eng., vol. 8, no. 1, pp. 497–504, 2018, doi: 10.11591/ijece.v8i1.pp497-504[7] A. K. Yadav and S. S. Chandel, “Solar radiation prediction using Artificial Neural Network techniques: A review,” Renew. Sustain. Energy Rev., vol. 33, pp. 772–781, 2014, doi: 10.1016/j.rser.2013.08.055.[8] F. Rodríguez, A. Fleetwood, A. Galarza, and L. Fontán, “Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control,” Renew. Energy, vol. 126, pp. 855–864, 2018, doi: 10.1016/j.renene.2018.03.070[9] X. Luo et al., Solar water heating system. 2018[10] R. D. Prasad and R. C. Bansal, “Photovoltaic systems,” Handb. Renew. Energy Technol., pp. 205–224, 2011, doi: 10.1142/9789814289078_0009[11] M. C. MER N , “Escuela Técnica Superior de ngeniería del Diseño Grado en Ingeniería Electrónica Industrial y Automática,” 2019[12] meteorología y estudios ambientales (IDEAM) Instituto de hidrología, “ RRAD AC ÓN G BA R Z NTA MED D AR ANUA ,” 2014. [Online]. Available: http://atlas.ideam.gov.co/basefiles/RadiacionSolar13.pdf. [Accessed: 03-Jun-2020].[13] Subdirección de Meteorología and DEAM, “Clasificaciones Climaticas Colombia,” 05-Jun-2020. [Online]. Available: http://www.ideam.gov.co/documents/21021/418894/Clasificaciones+Climáticas.pdf/15d8c5c8-a850-43f9-a954-2ce98d927f98. [Accessed: 04-Jul-2020].[14] K. A. ERNÁNDEZ and J. S. CARR CRUZ, “ANÁ S S DE A CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS ÁB T S DE C NSUM ,” Univ. Dist. Fr. JOSÉ CALDAS, vol. 01, pp. 1–163, 2017.[15] O. Perpiñan Lamigueiro, E S Fotovoltaica. 2012.[16] A. Smets, K. Jäger, O. Isabella, R. A. C. M. M. Van Swaaij, and M. Zeman, Solar Energy - The physics and engineering of photovoltaic conversion, technologies and systems. 2016.[17] E. M. Knowles, Oxford Dictionary of Phrase and Fable. Oxford University Press, 2005[18] S. Rusell and P. Norvig, Inteligencia Artificial. Un Enfoque Moderno. 2004.[19] V. Novák, . Perfilieva, and J. Močkoř, Mathematical Principles of Fuzzy Logic, no. January. 1999[20] F. Behrooz, N. Mariun, M. H. Marhaban, M. A. M. Radzi, and A. R. Ramli, “Review of control techniques for VAC systems-nonlinearity approaches based on fuzzy cognitive maps,” Energies, vol. 11, no. 3, 2018, doi: 10.3390/en11030495[21] B. G. BUC ANAN, “Expert systems: working systems and the research literature,” Expert Syst., vol. 3, no. 1, pp. 32–50, 1986, doi: 10.1111/j.1468-0394.1986.tb00192.x.[22] D. uttenlocher, “Computer vision,” Comput. Sci. Handbook, Second Ed., pp. 43-1-43–23, 2004, doi: 10.4324/9780429042522-10.[23] E. Gharibkhani and R. C. Akdeniz, “Advantages and Disadvantages of Machine Vision Applications for Automatic Sorting of Aflatoxin Contaminated Dried Figs,” vol. 10, pp. 7–10, 2014.[24] A. Cortez, H. Vega, and J. Pariona, “Procesamiento de lenguaje natural robusto,” Prim. encuentro Grup. Investig. sobre Proces. del Leng., vol. 2013, no. 3, p. 147, 2011.[25] A. Geron, Hands-On Machine Learing With Scikit-Learn & Tensor Flow. ’Reilly Media, 2017[26] T. Yang, Q. Zhao, X. Wang, and Q. Zhou, “Sub-pixel chessboard corner localization for camera calibration and pose estimation,” Appl. Sci., vol. 8, no. 11, 2018, doi: 10.3390/app8112118[27] F. errera, “Big Data: Preprocesamiento y calidad de datos,” Novática, no. 237, p. 17, 2016.[28] R. Goyena and A. . Fallis, Data mining concepts and techniques, vol. 53, no. 9. 2019[29] A. linsky, S. Chen, and . arlow, “The comparative efficacy of imputation methods for missing data in structural equation modeling,” Eur. J. Oper. Res., vol. 151, no. 1, pp. 53–79, 2003, doi: 10.1016/S0377-2217(02)00578-7.[30] H. Junninen, H. Niska, K. Tuppurainen, J. Ruuskanen, and M. Kolehmainen, “Methods for imputation of missing values in air quality data sets,” Atmos. Environ., vol. 38, no. 18, pp. 2895–2907, 2004, doi: 10.1016/j.atmosenv.2004.02.026.[31] D. Berrar, “Cross-validation,” Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1–3, no. April, pp. 542–545, 2018, doi: 10.1016/B978-0-12-809633-8.20349-X.[32] T. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.[33] W. Yang, K. Wang, and W. Zuo, “Neighborhood component feature selection for high-dimensional data,” J. Comput., vol. 7, no. 1, pp. 162–168, 2012, doi: 10.4304/jcp.7.1.161-168[34] H. H. Hsu, C. Y. Chang, and C. H. Hsu, Big Data Analytics for Sensor-Network Collected Intelligence. 2017.[35] H. e, Y. Bai, E. A. Garcia, and S. i, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” Proc. Int. Jt. Conf. Neural Networks, no. 3, pp. 1322–1328, 2008, doi: 10.1109/IJCNN.2008.4633969[36] W. J. Murdoch, C. Singh, K. Kumbier, R. Abbasi-Asl, and B. Yu, “Definitions, methods, and applications in interpretable machine learning,” Proc. Natl. Acad. Sci. U. S. A., vol. 116, no. 44, pp. 22071–22080, 2019, doi: 10.1073/pnas.1900654116.[37] N. K. K, “Naive Bayes : Text Classifier for Spam Detection. - Naveen Kumar K - Medium,” 2019. [ nline]. Available: https://medium.com/@naveeen.kumar.k/naive-bayes-spam-detection-7d087cc96d9d. [Accessed: 03-Jun-2020].[38] . . W. and E. Fran, “ ntroducción a Data Mining,” SAS Train. courses, vol. (2thEd.), no. Dm, p. 34, 2007.[39] K. A. Gaurav and L. Patel, Machine Learning With R. 2020.[40] “ ow to Bulid a Neural Network in Python | Blog | Dimensionless.” [ nline]. Available: https://dimensionless.in/building-a-neural-network-in-python-language-modeling-task/. [Accessed: 03-Jun-2020].[41] David Kriesel, “A Brief ntoduction to Neural Networks,” Nonlinear Syst. Identif., pp. 239–297, 2001, doi: 10.1007/978-3-662-04323-3_10.[42] C. Bircano and T. Çizge, “Yapay Sinir A ˘ glarında Aktivasyon Fonksiyonlarının Kar ¸ sıla ¸ stırılması A Comparison of Activation Functions in Artificial Neural Networks,” 2018 26th Signal Process. Commun. Appl. Conf., pp. 1–4.[43] P. Marius-Constantin, V. E. Balas, L. Perescu-Popescu, and N. Mastorakis, “Multilayer perceptron and neural networks,” WSEAS Trans. Circuits Syst., vol. 8, no. 7, pp. 579–588, 2009.[44] M. N. Noor, A. S. Yahaya, N. A. Ramli, and A. M. M. Al Bakri, “Filling missing data using interpolation methods: Study on the effect of fitting distribution,” Key Eng. Mater., vol. 594–595, pp. 889–895, 2014, doi: 10.4028/www.scientific.net/KEM.594-595.889.ORIGINAL2020_Tesis_Harold_Ochoa.pdf2020_Tesis_Harold_Ochoa.pdfTesisapplication/pdf3727239https://repository.unab.edu.co/bitstream/20.500.12749/11930/1/2020_Tesis_Harold_Ochoa.pdf48a01e33ca2a36fce0f9c768bd8f1345MD51open access2020_Licencia_Harold_Ochoa.pdf2020_Licencia_Harold_Ochoa.pdfLicenciaapplication/pdf207309https://repository.unab.edu.co/bitstream/20.500.12749/11930/7/2020_Licencia_Harold_Ochoa.pdfaba1c0fe41fe38af5a3c9c4fb5f8485eMD57metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/11930/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2020_Tesis_Harold_Ochoa.pdf.jpg2020_Tesis_Harold_Ochoa.pdf.jpgIM Thumbnailimage/jpeg4826https://repository.unab.edu.co/bitstream/20.500.12749/11930/5/2020_Tesis_Harold_Ochoa.pdf.jpgdef4ea4ae692ba20005348374acb4da8MD55open access2020_Licencia_Fabian_Ramirez.pdf.jpg2020_Licencia_Fabian_Ramirez.pdf.jpgIM Thumbnailimage/jpeg9059https://repository.unab.edu.co/bitstream/20.500.12749/11930/6/2020_Licencia_Fabian_Ramirez.pdf.jpg3c0de52768b3561f449c929f6f801c57MD56open access2020_Licencia_Harold_Ochoa.pdf.jpg2020_Licencia_Harold_Ochoa.pdf.jpgIM Thumbnailimage/jpeg9178https://repository.unab.edu.co/bitstream/20.500.12749/11930/8/2020_Licencia_Harold_Ochoa.pdf.jpg92e9f45ee397594d46799dd66c6ad1aeMD58metadata only access20.500.12749/11930oai:repository.unab.edu.co:20.500.12749/119302021-04-29 09:13:29.065open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |