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...
- 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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 |