Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo
En este proyecto se realizó un análisis de correlación para escoger adecuadamente las variables del modelo que cómo objetivo tiene pronosticar la irradiancia global horizontal, la irradiancia difusa horizontal y la irradiancia directa normal. Este modelo es una red neuronal, esta red tiene la caract...
- Autores:
-
Martínez Castro, Rodrigo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/73280
- Acceso en línea:
- https://hdl.handle.net/1992/73280
- Palabra clave:
- Pronóstico de series de tiempo
Energías renovables no Convencionales
Energía solar
Redes neuronales
Memoria de corto largo plazo
Meteorología
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
id |
UNIANDES2_442fb17c62d555c230622eaf34f7d0a8 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/73280 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
title |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
spellingShingle |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo Pronóstico de series de tiempo Energías renovables no Convencionales Energía solar Redes neuronales Memoria de corto largo plazo Meteorología Ingeniería |
title_short |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
title_full |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
title_fullStr |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
title_full_unstemmed |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
title_sort |
Modelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazo |
dc.creator.fl_str_mv |
Martínez Castro, Rodrigo |
dc.contributor.advisor.none.fl_str_mv |
González Mancera, Andrés Leonardo |
dc.contributor.author.none.fl_str_mv |
Martínez Castro, Rodrigo |
dc.subject.keyword.none.fl_str_mv |
Pronóstico de series de tiempo Energías renovables no Convencionales Energía solar Redes neuronales Memoria de corto largo plazo Meteorología |
topic |
Pronóstico de series de tiempo Energías renovables no Convencionales Energía solar Redes neuronales Memoria de corto largo plazo Meteorología Ingeniería |
dc.subject.themes.spa.fl_str_mv |
Ingeniería |
description |
En este proyecto se realizó un análisis de correlación para escoger adecuadamente las variables del modelo que cómo objetivo tiene pronosticar la irradiancia global horizontal, la irradiancia difusa horizontal y la irradiancia directa normal. Este modelo es una red neuronal, esta red tiene la característica de contar con dos capas de memoria de corto-largo plazo, las cuales evitan que se produzca un sobreajuste de los datos y que no se produzca un problema de desvanecimiento de gradiente presente sobre todo en redes neuronales recurrentes cuando se emplea grandes cantidades de información. Así pues, se emplearon como “features” del modelo la temperatura del aire, irradiancia directa normal, irradiancia difusa horizontal, irradiancia global horizontal, la dirección del viento, la razón entre la irradiancia extraterrestre y las tres irradiancias de estudio y la transformación coseno para el día del año. Cómo resultado, se evidenció que la irradiancia directa normal es muy sensible a nubes, provocando que haya picos abruptos en los datos reales, mientras que tanto el global horizontal cómo la difusa horizontal suelen ser menos volátiles. Asimismo, en el set de testeo se logró predecir la irradiancia global horizontal, la irradiancia difusa horizontal y la irradiancia directa normal con una precisión de 44.39W/m^2, 33.5W/m^2 y 83.02W/m^2 respectivamente. Más allá, se halló que el mejor momento para realizar las predicciones es a las 7 de la mañana para las próximas 8 horas, disminuyendo así el error absoluto medio que se podría cometer. |
publishDate |
2023 |
dc.date.issued.none.fl_str_mv |
2023-12-01 |
dc.date.accessioned.none.fl_str_mv |
2024-01-16T19:59:06Z |
dc.date.available.none.fl_str_mv |
2024-01-16T19:59:06Z |
dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.none.fl_str_mv |
Text |
dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
status_str |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/73280 |
dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
https://hdl.handle.net/1992/73280 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.relation.references.none.fl_str_mv |
C. Z. J. Z. T. W. W. W. N. Xueli Zhang, Robust recurrent neural networks for time series forecasting, Guangzhou: South China University of Technology, 2022. Solar Energy: The Physics and Engineering of Photovoltaic Conversion, Technologies and Systems, Cambridge: UIT Cambridge, 2010. S. Pierre, «A Guide to Time Series Forecasting in Python,» 4 Noviembre 2021. [En línea]. Available: https://builtin.com/data-science/time-series-forecasting-python. [Último acceso: 30 Mayo 2023]. International Business Machines (IBM), «ARIMA,» 7 Agosto 2021. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=series-arima. [Último acceso: 2023 Mayo 30]. H. S. Mohammad y M. Hisham, Short-Term Photovoltaic Power Forecasting Using an LSTM Neural Network and Synthetic Weather Forecast, Lakeland: Institute of Electrical and Electronics Engineers (IEEE), 2020. National Renewable Energy Laboratory (NREL), «NSRDB: National Solar Radiation Database,» U.S. Department of Energy, Office of Energy Efficiency and Renewable Energy, Colorado, 1974. G. Sujan, D. Ravinesh C., R. Narwin y M. Jianchum, « Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms,» Elsevier, Springfield, 2019. P. Lara-Benítez, M. Carranza-García, J. M. Luna-Romera y J. C. Riquelme, « Short-term solar irradiance forecasting in streaming with deep learning,» Elsevier, Sevilla, 2022. M. Caldas y R. Alonso-Suárez, « Very short-term solar irradiance forecast using all-sky imaging and real-time irradiance measurements,» Elsevier, Montevideo, 2018. M. S. G. B. G. A. C. S. S. R. K. B. Sourav, « Designing a long short term network for short term forecasting of global horizontal irradiance,» SN Applied Sciences, Calcutta, 2019. F. C. M. F. A. M. M. Francisco Martínez, Strategies for time series forecasting with generalized regression neural networks, Jaén: University of Jaén, 2021. X. Liu, Deep neural network for forecasting of photovoltaic power based on wavelet packet decomposition with similar day analysis., Beijing: North China Electric Power University, 2022. |
dc.rights.en.fl_str_mv |
Attribution 4.0 International |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
24 páginas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Ingeniería Mecánica |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Mecánica |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/3422bf33-fccf-496a-8684-cc0ecc2155e2/download https://repositorio.uniandes.edu.co/bitstreams/914120e2-4165-4f2e-be9e-3fcca02c7950/download https://repositorio.uniandes.edu.co/bitstreams/a893a461-296c-41f9-bfdb-34456e8bc5da/download https://repositorio.uniandes.edu.co/bitstreams/22de8cb5-003e-4a6b-9f0e-9b223d7065a7/download https://repositorio.uniandes.edu.co/bitstreams/1f6d9dad-3138-4f81-a6e0-3cd63a180613/download https://repositorio.uniandes.edu.co/bitstreams/4d28d851-cb3f-42ad-8531-fe86ec55dd48/download https://repositorio.uniandes.edu.co/bitstreams/a7ec3a18-e7b1-43e9-9d07-37a9e297fc54/download https://repositorio.uniandes.edu.co/bitstreams/8a41a4b3-a1b7-4563-b4f5-c881f9234a91/download |
bitstream.checksum.fl_str_mv |
76a80b97f93c8ec6aa0539f5909966f1 52008fd5d8315ce04310be7459439ca3 ae9e573a68e7f92501b6913cc846c39f 0175ea4a2d4caec4bbcc37e300941108 e1c06d85ae7b8b032bef47e42e4c08f9 7178653fb7aef802e77477ab10f925da 3a70463d2fc6f15254d055ad13b4f446 36be5d6cc2b59bb0424a1e074ac65f97 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133925363908608 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autoresAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2González Mancera, Andrés LeonardoMartínez Castro, Rodrigo2024-01-16T19:59:06Z2024-01-16T19:59:06Z2023-12-01https://hdl.handle.net/1992/73280instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En este proyecto se realizó un análisis de correlación para escoger adecuadamente las variables del modelo que cómo objetivo tiene pronosticar la irradiancia global horizontal, la irradiancia difusa horizontal y la irradiancia directa normal. Este modelo es una red neuronal, esta red tiene la característica de contar con dos capas de memoria de corto-largo plazo, las cuales evitan que se produzca un sobreajuste de los datos y que no se produzca un problema de desvanecimiento de gradiente presente sobre todo en redes neuronales recurrentes cuando se emplea grandes cantidades de información. Así pues, se emplearon como “features” del modelo la temperatura del aire, irradiancia directa normal, irradiancia difusa horizontal, irradiancia global horizontal, la dirección del viento, la razón entre la irradiancia extraterrestre y las tres irradiancias de estudio y la transformación coseno para el día del año. Cómo resultado, se evidenció que la irradiancia directa normal es muy sensible a nubes, provocando que haya picos abruptos en los datos reales, mientras que tanto el global horizontal cómo la difusa horizontal suelen ser menos volátiles. Asimismo, en el set de testeo se logró predecir la irradiancia global horizontal, la irradiancia difusa horizontal y la irradiancia directa normal con una precisión de 44.39W/m^2, 33.5W/m^2 y 83.02W/m^2 respectivamente. Más allá, se halló que el mejor momento para realizar las predicciones es a las 7 de la mañana para las próximas 8 horas, disminuyendo así el error absoluto medio que se podría cometer.Ingeniero MecánicoPregrado24 páginasapplication/pdfspaUniversidad de los AndesIngeniería MecánicaFacultad de IngenieríaDepartamento de Ingeniería MecánicaModelo de predicción para datos meteorológicos basados en una red neuronal con memoria de corto y largo plazoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPPronóstico de series de tiempoEnergías renovables no ConvencionalesEnergía solarRedes neuronalesMemoria de corto largo plazoMeteorologíaIngenieríaC. Z. J. Z. T. W. W. W. N. Xueli Zhang, Robust recurrent neural networks for time series forecasting, Guangzhou: South China University of Technology, 2022.Solar Energy: The Physics and Engineering of Photovoltaic Conversion, Technologies and Systems, Cambridge: UIT Cambridge, 2010.S. Pierre, «A Guide to Time Series Forecasting in Python,» 4 Noviembre 2021. [En línea]. Available: https://builtin.com/data-science/time-series-forecasting-python. [Último acceso: 30 Mayo 2023].International Business Machines (IBM), «ARIMA,» 7 Agosto 2021. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=series-arima. [Último acceso: 2023 Mayo 30].H. S. Mohammad y M. Hisham, Short-Term Photovoltaic Power Forecasting Using an LSTM Neural Network and Synthetic Weather Forecast, Lakeland: Institute of Electrical and Electronics Engineers (IEEE), 2020.National Renewable Energy Laboratory (NREL), «NSRDB: National Solar Radiation Database,» U.S. Department of Energy, Office of Energy Efficiency and Renewable Energy, Colorado, 1974.G. Sujan, D. Ravinesh C., R. Narwin y M. Jianchum, « Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms,» Elsevier, Springfield, 2019.P. Lara-Benítez, M. Carranza-García, J. M. Luna-Romera y J. C. Riquelme, « Short-term solar irradiance forecasting in streaming with deep learning,» Elsevier, Sevilla, 2022.M. Caldas y R. Alonso-Suárez, « Very short-term solar irradiance forecast using all-sky imaging and real-time irradiance measurements,» Elsevier, Montevideo, 2018.M. S. G. B. G. A. C. S. S. R. K. B. Sourav, « Designing a long short term network for short term forecasting of global horizontal irradiance,» SN Applied Sciences, Calcutta, 2019.F. C. M. F. A. M. M. Francisco Martínez, Strategies for time series forecasting with generalized regression neural networks, Jaén: University of Jaén, 2021.X. Liu, Deep neural network for forecasting of photovoltaic power based on wavelet packet decomposition with similar day analysis., Beijing: North China Electric Power University, 2022.201922622PublicationORIGINALautorizacion p_ind.pdfautorizacion p_ind.pdfHIDEapplication/pdf367428https://repositorio.uniandes.edu.co/bitstreams/3422bf33-fccf-496a-8684-cc0ecc2155e2/download76a80b97f93c8ec6aa0539f5909966f1MD51Modelo de predicción para datos meteorológicos.pdfModelo de predicción para datos meteorológicos.pdfapplication/pdf1747002https://repositorio.uniandes.edu.co/bitstreams/914120e2-4165-4f2e-be9e-3fcca02c7950/download52008fd5d8315ce04310be7459439ca3MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/a893a461-296c-41f9-bfdb-34456e8bc5da/downloadae9e573a68e7f92501b6913cc846c39fMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/22de8cb5-003e-4a6b-9f0e-9b223d7065a7/download0175ea4a2d4caec4bbcc37e300941108MD54TEXTautorizacion p_ind.pdf.txtautorizacion p_ind.pdf.txtExtracted texttext/plain2https://repositorio.uniandes.edu.co/bitstreams/1f6d9dad-3138-4f81-a6e0-3cd63a180613/downloade1c06d85ae7b8b032bef47e42e4c08f9MD55Modelo de predicción para datos meteorológicos.pdf.txtModelo de predicción para datos meteorológicos.pdf.txtExtracted texttext/plain47954https://repositorio.uniandes.edu.co/bitstreams/4d28d851-cb3f-42ad-8531-fe86ec55dd48/download7178653fb7aef802e77477ab10f925daMD57THUMBNAILautorizacion p_ind.pdf.jpgautorizacion p_ind.pdf.jpgGenerated Thumbnailimage/jpeg10741https://repositorio.uniandes.edu.co/bitstreams/a7ec3a18-e7b1-43e9-9d07-37a9e297fc54/download3a70463d2fc6f15254d055ad13b4f446MD56Modelo de predicción para datos meteorológicos.pdf.jpgModelo de predicción para datos meteorológicos.pdf.jpgGenerated Thumbnailimage/jpeg6011https://repositorio.uniandes.edu.co/bitstreams/8a41a4b3-a1b7-4563-b4f5-c881f9234a91/download36be5d6cc2b59bb0424a1e074ac65f97MD581992/73280oai:repositorio.uniandes.edu.co:1992/732802024-01-17 03:05:01.639http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |