Modelo multicapa LSTM para predicción de irradiancia solar

La energía solar fotovoltaica ha presentado un crecimiento acelerado en los últimos años. Sin embargo, uno de los problemas a los que se enfrentan las plantas de producción que utilizan esta tecnología es la incertidumbre de la disponibilidad del recurso (irradiancia solar) a las diferentes horas de...

Full description

Autores:
Herrera Gómez, Oscar Fernando
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/73256
Acceso en línea:
https://hdl.handle.net/1992/73256
Palabra clave:
Hyperband
LSTM
Irradiancia solar
Predicciones a corto plazo
Red Neuronal Recurrente
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_85f51fb7a756da7ea5ab03f48f2c2f35
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/73256
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.spa.fl_str_mv Modelo multicapa LSTM para predicción de irradiancia solar
title Modelo multicapa LSTM para predicción de irradiancia solar
spellingShingle Modelo multicapa LSTM para predicción de irradiancia solar
Hyperband
LSTM
Irradiancia solar
Predicciones a corto plazo
Red Neuronal Recurrente
Ingeniería
title_short Modelo multicapa LSTM para predicción de irradiancia solar
title_full Modelo multicapa LSTM para predicción de irradiancia solar
title_fullStr Modelo multicapa LSTM para predicción de irradiancia solar
title_full_unstemmed Modelo multicapa LSTM para predicción de irradiancia solar
title_sort Modelo multicapa LSTM para predicción de irradiancia solar
dc.creator.fl_str_mv Herrera Gómez, Oscar Fernando
dc.contributor.advisor.none.fl_str_mv González Mancera, Andrés Leonardo
dc.contributor.author.none.fl_str_mv Herrera Gómez, Oscar Fernando
dc.contributor.jury.none.fl_str_mv González Mancera, Andrés Leonardo
dc.subject.keyword.eng.fl_str_mv Hyperband
LSTM
topic Hyperband
LSTM
Irradiancia solar
Predicciones a corto plazo
Red Neuronal Recurrente
Ingeniería
dc.subject.keyword.spa.fl_str_mv Irradiancia solar
Predicciones a corto plazo
Red Neuronal Recurrente
dc.subject.themes.spa.fl_str_mv Ingeniería
description La energía solar fotovoltaica ha presentado un crecimiento acelerado en los últimos años. Sin embargo, uno de los problemas a los que se enfrentan las plantas de producción que utilizan esta tecnología es la incertidumbre de la disponibilidad del recurso (irradiancia solar) a las diferentes horas del día. En este artículo se busca generar un modelo de predicción de irradiancia solar (GHI) con un horizonte de 8 horas hacia el futuro. Para ello se plantea un modelo multicapa utilizando redes LSTM (Long Short Term Memory) optimizado utilizando el algoritmo Hyperband. El modelo se entrena utilizando datos satelitales de El Paso Cesar (Colombia) entre los años 2000 y 2020 con una resolución 30 minutal. Finalmente, se probó el modelo entrenado utilizando métricas de error como el MAE, y el R^2 obteniendo valores de 38.81 [W/m^2] y 0.93 respectivamente.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-01-16T13:42:32Z
dc.date.available.none.fl_str_mv 2024-01-16T13:42:32Z
dc.date.issued.none.fl_str_mv 2024-01-12
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/1992/73256
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/1992/73256
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 [1] M. Hossain, M. N.A, N. Rahim, J. Selvaraj, A. Pandey and A. F. Khan, “Role of smart grid in renewable energy: An overview,” Renewable and Sustainable Energy Reviews, vol. 20, pp. 1168-1184, 2016.
[2] B. Ibrahim, L. Rabelo, E. Gutierrez-Franco and N. Clavijo-Buritica, “Machine Learning for Short-Term Load Forecasting in Smart Grids,” Energies, vol. 15, 2022.
[3] M. Safayet Hossain and H. Mahmood, “Short-Term Photovoltaic Power Forecasting Using,” IEEE Access, vol. 8, pp. 172524-172533, 2020.
[4] H. Zang, L. Cheng, T. Ding, K. W. Cheung, Z. Liang, Z. Wei and G. Sun, “Hybrid method for short-term photovoltaicpower forecasting based on deep convolutional neural network,” ET Gener. Transm. Distrib, vol. 12, no. 20, pp. 4557-4567, 2018.
[5] X. Guo, Y. Mo and K. Yan, “Short-Term Photovoltaic Power Forecasting Based on Historical Information and Deep Learning Methods,” Sensors , vol. 22, 2022.
[6] IBM, “What is a neural network?,” [Online]. Available: https://www.ibm.com/topics/neural-networks. [Accessed 25 Noviembre 2023].
[7] T. Sharp, “An Introduction to Support Vector Regression (SVR),” 3 Marzo 2020. [On-line]. Available: https://towardsdatascience.com/an-introduction-to-support-vector-regression-svr-a3ebc1672c2. [Accessed 25 Noviembre 2023].
[8] J. Wang, S. Lu, S.-H. Wang and Y.-D. Zhang, “A review on extreme learning machine,” Multi-media Tools and Applications volume, vol. 81, p. 41611–41660, 2022.
[9] “Extreme Learning Machine And Its Applications in Big Data Processing,” in Big Data Analytics for Sensor-Network Collected Intelligence, Academic Press, 2017, pp. 117-150.
[10] A. Graves, “Long Short-Term Memory,” in Supervised Sequence Labelling with Recurrent Neural Networks, Berlin, Heidelberg, Springer, 2012, pp. 37-45.
[11] O. Calzone, “An Intuitive Explanation of LSTM,” 21 Febrero 2022. [Online]. Avail-able: https://medium.com/@ottaviocalzone/an-intuitive-explanation-of-lstm-a035eb6ab42c. [Ac-cessed 28 Noviembre 2023].
[12] K. Nyuytiymbiy, “Parameters and Hyperparameters in Machine Learning and Deep Learning,” 30 Diciembre 2020. [Online]. Available: https://towardsdatascience.com/parameters-and-hyperparameters-aa609601a9ac. [Accessed 4 Diciembre 2023].
[13] D. S. L. Jaimes, Data Driven Initialization for Machine Learning Classification Models, Bogotá: School of Engineering, Science and Technology Applied Mathematics and Computer Science Rosario University, 2022.
[14] H. Yadav, “Dropout in Neural Networks,” 4 Julio 2022. [Online]. Available: https://towardsdatascience.com/dropout-in-neural-networks-47a162d621d9. [Accessed 5 Diciembre 2023].
[15] Devansh, “How does Batch Size impact your model learning,” 16 Enero 2022. [Online]. Available: https://medium.com/geekculture/how-does-batch-size-impact-your-model-learning-2dd34d9fb1fa. [Accessed 5 Diciembre 2023].
[16] L. Li, K. Jamieson, G. DeSalvo, A. Rostamizadeh and A. Talwalkar, “Hyperband: A Novel Bandit-Based Approach to,” Journal of Machine Learning Research, vol. 18, pp. 1-52, 2018.
dc.rights.uri.none.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
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 https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 30 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/94385ed8-53fa-40f5-be82-a262930095f5/download
https://repositorio.uniandes.edu.co/bitstreams/ab06b596-73c6-4c6d-99fb-22863e73d75c/download
https://repositorio.uniandes.edu.co/bitstreams/47e5da74-5712-4eab-9e45-c419217ea424/download
https://repositorio.uniandes.edu.co/bitstreams/f19a4908-08c0-4e19-a068-7725a95ce512/download
https://repositorio.uniandes.edu.co/bitstreams/7a48eda2-aeb0-435b-b33d-db5fc0fd9e31/download
https://repositorio.uniandes.edu.co/bitstreams/268bbf19-ba99-4409-bdc6-e94c9dfdef1f/download
https://repositorio.uniandes.edu.co/bitstreams/b60ad55d-0d16-4348-aede-3479695924fd/download
bitstream.checksum.fl_str_mv 847baeedb7c9c9745a29365aa732dcdc
6a27e581577bcb3e13616f6ca84afabd
ae9e573a68e7f92501b6913cc846c39f
093a0bf95e9498a3c0c0c14d2ff36c08
930f10e6faa90ed0f2999a61b8e9826c
85caeb95e42059b48b8285e9d92f9027
4af3aed622fcd2ee2a3a491f728a0f47
bitstream.checksumAlgorithm.fl_str_mv 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_ 1812133831589756928
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autoreshttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2González Mancera, Andrés LeonardoHerrera Gómez, Oscar FernandoGonzález Mancera, Andrés Leonardo2024-01-16T13:42:32Z2024-01-16T13:42:32Z2024-01-12https://hdl.handle.net/1992/73256instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La energía solar fotovoltaica ha presentado un crecimiento acelerado en los últimos años. Sin embargo, uno de los problemas a los que se enfrentan las plantas de producción que utilizan esta tecnología es la incertidumbre de la disponibilidad del recurso (irradiancia solar) a las diferentes horas del día. En este artículo se busca generar un modelo de predicción de irradiancia solar (GHI) con un horizonte de 8 horas hacia el futuro. Para ello se plantea un modelo multicapa utilizando redes LSTM (Long Short Term Memory) optimizado utilizando el algoritmo Hyperband. El modelo se entrena utilizando datos satelitales de El Paso Cesar (Colombia) entre los años 2000 y 2020 con una resolución 30 minutal. Finalmente, se probó el modelo entrenado utilizando métricas de error como el MAE, y el R^2 obteniendo valores de 38.81 [W/m^2] y 0.93 respectivamente.Ingeniero MecánicoPregrado30 páginasapplication/pdfspaUniversidad de los AndesIngeniería MecánicaFacultad de IngenieríaDepartamento de Ingeniería MecánicaModelo multicapa LSTM para predicción de irradiancia solarTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPHyperbandLSTMIrradiancia solarPredicciones a corto plazoRed Neuronal RecurrenteIngeniería[1] M. Hossain, M. N.A, N. Rahim, J. Selvaraj, A. Pandey and A. F. Khan, “Role of smart grid in renewable energy: An overview,” Renewable and Sustainable Energy Reviews, vol. 20, pp. 1168-1184, 2016.[2] B. Ibrahim, L. Rabelo, E. Gutierrez-Franco and N. Clavijo-Buritica, “Machine Learning for Short-Term Load Forecasting in Smart Grids,” Energies, vol. 15, 2022.[3] M. Safayet Hossain and H. Mahmood, “Short-Term Photovoltaic Power Forecasting Using,” IEEE Access, vol. 8, pp. 172524-172533, 2020.[4] H. Zang, L. Cheng, T. Ding, K. W. Cheung, Z. Liang, Z. Wei and G. Sun, “Hybrid method for short-term photovoltaicpower forecasting based on deep convolutional neural network,” ET Gener. Transm. Distrib, vol. 12, no. 20, pp. 4557-4567, 2018.[5] X. Guo, Y. Mo and K. Yan, “Short-Term Photovoltaic Power Forecasting Based on Historical Information and Deep Learning Methods,” Sensors , vol. 22, 2022.[6] IBM, “What is a neural network?,” [Online]. Available: https://www.ibm.com/topics/neural-networks. [Accessed 25 Noviembre 2023].[7] T. Sharp, “An Introduction to Support Vector Regression (SVR),” 3 Marzo 2020. [On-line]. Available: https://towardsdatascience.com/an-introduction-to-support-vector-regression-svr-a3ebc1672c2. [Accessed 25 Noviembre 2023].[8] J. Wang, S. Lu, S.-H. Wang and Y.-D. Zhang, “A review on extreme learning machine,” Multi-media Tools and Applications volume, vol. 81, p. 41611–41660, 2022.[9] “Extreme Learning Machine And Its Applications in Big Data Processing,” in Big Data Analytics for Sensor-Network Collected Intelligence, Academic Press, 2017, pp. 117-150.[10] A. Graves, “Long Short-Term Memory,” in Supervised Sequence Labelling with Recurrent Neural Networks, Berlin, Heidelberg, Springer, 2012, pp. 37-45.[11] O. Calzone, “An Intuitive Explanation of LSTM,” 21 Febrero 2022. [Online]. Avail-able: https://medium.com/@ottaviocalzone/an-intuitive-explanation-of-lstm-a035eb6ab42c. [Ac-cessed 28 Noviembre 2023].[12] K. Nyuytiymbiy, “Parameters and Hyperparameters in Machine Learning and Deep Learning,” 30 Diciembre 2020. [Online]. Available: https://towardsdatascience.com/parameters-and-hyperparameters-aa609601a9ac. [Accessed 4 Diciembre 2023].[13] D. S. L. Jaimes, Data Driven Initialization for Machine Learning Classification Models, Bogotá: School of Engineering, Science and Technology Applied Mathematics and Computer Science Rosario University, 2022.[14] H. Yadav, “Dropout in Neural Networks,” 4 Julio 2022. [Online]. Available: https://towardsdatascience.com/dropout-in-neural-networks-47a162d621d9. [Accessed 5 Diciembre 2023].[15] Devansh, “How does Batch Size impact your model learning,” 16 Enero 2022. [Online]. Available: https://medium.com/geekculture/how-does-batch-size-impact-your-model-learning-2dd34d9fb1fa. [Accessed 5 Diciembre 2023].[16] L. Li, K. Jamieson, G. DeSalvo, A. Rostamizadeh and A. Talwalkar, “Hyperband: A Novel Bandit-Based Approach to,” Journal of Machine Learning Research, vol. 18, pp. 1-52, 2018.201912873PublicationORIGINALModelo multicapa LSTM para predicción de irradiancia solar.pdfModelo multicapa LSTM para predicción de irradiancia solar.pdfapplication/pdf1488781https://repositorio.uniandes.edu.co/bitstreams/94385ed8-53fa-40f5-be82-a262930095f5/download847baeedb7c9c9745a29365aa732dcdcMD51autorizacion tesis_.pdfautorizacion tesis_.pdfHIDEapplication/pdf338436https://repositorio.uniandes.edu.co/bitstreams/ab06b596-73c6-4c6d-99fb-22863e73d75c/download6a27e581577bcb3e13616f6ca84afabdMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/47e5da74-5712-4eab-9e45-c419217ea424/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTModelo multicapa LSTM para predicción de irradiancia solar.pdf.txtModelo multicapa LSTM para predicción de irradiancia solar.pdf.txtExtracted texttext/plain55949https://repositorio.uniandes.edu.co/bitstreams/f19a4908-08c0-4e19-a068-7725a95ce512/download093a0bf95e9498a3c0c0c14d2ff36c08MD54autorizacion tesis_.pdf.txtautorizacion tesis_.pdf.txtExtracted texttext/plain2062https://repositorio.uniandes.edu.co/bitstreams/7a48eda2-aeb0-435b-b33d-db5fc0fd9e31/download930f10e6faa90ed0f2999a61b8e9826cMD56THUMBNAILModelo multicapa LSTM para predicción de irradiancia solar.pdf.jpgModelo multicapa LSTM para predicción de irradiancia solar.pdf.jpgGenerated Thumbnailimage/jpeg7046https://repositorio.uniandes.edu.co/bitstreams/268bbf19-ba99-4409-bdc6-e94c9dfdef1f/download85caeb95e42059b48b8285e9d92f9027MD55autorizacion tesis_.pdf.jpgautorizacion tesis_.pdf.jpgGenerated Thumbnailimage/jpeg11141https://repositorio.uniandes.edu.co/bitstreams/b60ad55d-0d16-4348-aede-3479695924fd/download4af3aed622fcd2ee2a3a491f728a0f47MD571992/73256oai:repositorio.uniandes.edu.co:1992/732562024-01-17 03:01:38.095https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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