Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales
Este proyecto de grado se realizó con el objetivo de predecir la generación de energía para una planta generadora de energía solar en Colombia, utilizando como técnica de inteligencia artificial las redes neuronales. Se desarrollaron y compararon tres arquitecturas diferentes: Long Short-Term Memory...
- Autores:
-
Nassar Suárez, Gabriel
- 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:1992/75114
- Acceso en línea:
- https://hdl.handle.net/1992/75114
- Palabra clave:
- Redes neuronales
Inteligencia artificial
Energía solar
Planta fotovoltaica
Modelo predictivo
Machine learning
TensorFlow
Keras
Python
LSTM
GRU
Convolucional
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
UNIANDES2_9cf6e765f0e0d68b31d05c8156a05ac6 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75114 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| title |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| spellingShingle |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales Redes neuronales Inteligencia artificial Energía solar Planta fotovoltaica Modelo predictivo Machine learning TensorFlow Keras Python LSTM GRU Convolucional Ingeniería |
| title_short |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| title_full |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| title_fullStr |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| title_full_unstemmed |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| title_sort |
Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales |
| dc.creator.fl_str_mv |
Nassar Suárez, Gabriel |
| dc.contributor.advisor.none.fl_str_mv |
Takahashi Rodríguez, Silvia |
| dc.contributor.author.none.fl_str_mv |
Nassar Suárez, Gabriel |
| dc.subject.keyword.spa.fl_str_mv |
Redes neuronales Inteligencia artificial Energía solar Planta fotovoltaica Modelo predictivo |
| topic |
Redes neuronales Inteligencia artificial Energía solar Planta fotovoltaica Modelo predictivo Machine learning TensorFlow Keras Python LSTM GRU Convolucional Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
Machine learning |
| dc.subject.keyword.none.fl_str_mv |
TensorFlow Keras Python LSTM GRU Convolucional |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
Este proyecto de grado se realizó con el objetivo de predecir la generación de energía para una planta generadora de energía solar en Colombia, utilizando como técnica de inteligencia artificial las redes neuronales. Se desarrollaron y compararon tres arquitecturas diferentes: Long Short-Term Memory (LSTM), Convolutional 1 Dimension (Conv1D) y Gated Recurrent Unit (GRU). Para la predicción, se utilizaron variables como la energía producida, variables de tiempo (representadas con funciones seno y coseno del día y del año), y diversas variables meteorológicas obtenidas de los datos de medición de la planta solar. Se probaron diversas metodologías para la inclusión de estas variables en los modelos. Los modelos se evaluaron en diferentes resoluciones temporales, inversores y años, logrando en la mayoría de los casos resultados muy buenos, con errores menores al 10%. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-21T16:40:07Z |
| dc.date.available.none.fl_str_mv |
2024-08-21T16:40:07Z |
| dc.date.issued.none.fl_str_mv |
2024-08-19 |
| 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/1992/75114 |
| 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/1992/75114 |
| 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 |
Angarita, J., & Pérez, W. (2021). Comportamiento tarifario de energías renovables tipo eólica y solar en la generación de energía eléctrica en Colombia. Universidad EAN. Recuperado de: https://repository.universidadean.edu.co/bitstream/handle/10882/11402/PerezWalter2021.pdf?sequence=1&isAllowed=y Amarasinghe, Gihan & Abeygunawardane, s. (2018). An artificial neural network for solar power generation forecasting using weather parameters. Recuperado de: https://www.researchgate.net/publication/328530283_An_artificial_neural_network_for_solar_power_generation_forecasting_using_weather_parameters AWS. (s.f.). ¿Qué es el aprendizaje por transferencia? Amazon Web Services. Recuperado de: https://aws.amazon.com/es/what-is/transfer-learning/ Amazon Web Services. (2023). ¿En qué consiste el ajuste de hiperparámetros? | AWS. Amazon Web Services. Recuperado de: https://aws.amazon.com/es/what-is/hyperparameter-tuning/ Bellagarda, A., Grassi, D., Aliberti, A., Bottaccioli, L., Macii, A., & Patti, E. (2023). Effectiveness of neural networks and transfer learning to forecast photovoltaic power production. Applied Soft Computing Journal, 149, 110988. Recuperado de: https://doi.org/10.1016/j.asoc.2023.110988 Boutahir, Mohamed Khalifa & Farhaoui, Yousef & Azrour, Mourade & Zeroual, Imad & El allaoui, Ahmad. (2022). Effect of Feature Selection on the Prediction of Direct Normal Irradiance. Big Data Mining and Analytics. 5. 309 - 317. 10.26599/BDMA.2022.9020003. Cuesta, A., Constante, J., & Jijón, D. (2019). Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes. Instituto de Investigación Geológico y Energético, Quito, Ecuador. Recuperado de: http://scielo.senescyt.gob.ec/pdf/rte/v19n2/2602-8492-rte-19-02-00081.pdf Dewi, C., & Chen, R.-C. (2019). Random forest and support vector machine on features selection for regression analysis. Recuperado de: http://www.ijicic.org/ijicic-150602.pdf Endesa. (2024, enero 17). Los tres factores que más afectan a la producción de las placas solares. Recuperado de: Los tres factores que más afectan a la producción de las placas solares | Endesa GeeksforGeeks. (2022). Adam Optimizer in TensorFlow. Recuperado de: https://www.geeksforgeeks.org/adam-optimizer-in-tensorflow/ Herrera Jiménez, A. (2023). Análisis y predicción de radiación en sistemas fotovoltaicos haciendo uso de machine learning. Proyecto Individual en Ingeniería Mecánica. Universidad de los Andes. Bogotá. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/ff75b5e1-40fb-4783-ae95-e54e5643e339/content Hasan, B. M. S., & Abdulazeez, A. M. (2021). A Review of Principal Component Analysis Algorithm for Dimensionality Reduction. Journal of Soft Computing and Data Mining, 2(1), 20-30. Recuperado de: https://publisher.uthm.edu.my/ojs/index.php/jscdm/article/view/8032/4199 Hogg, G. (2022). LSTM Time Series Forecasting Tutorial in Python. Recuperado de: https://www.youtube.com/watch?v=c0k-YLQGKjY Karasu, S., & Altan, A. (2019). Recognition Model for Solar Radiation Time Series based on Random Forest with Feature Selection Approach. Zonguldak Bülent Ecevit University, Department of Electrical and Electronics Engineering, Zonguldak, Türkiye. Recuperado de: https://www.researchgate.net/publication/339258294_Recognition_Model_for_Solar_Radiation_Time_Series_based_on_Random_Forest_with_Feature_Selection_Approach/link/5e5a7acb299bf1bdb847c63d/download?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY2F0aW9uIn19 Mosquera Quintero. Brayenda. (2019-04-18). Energía Solar Surya. ¿Cómo Funcionan Los Paneles Solares? Recuperado de: https://www.energiasolarsurya.com/paneles-solares/como-funcionan-los-paneles-solares/ Murcia, Paula. Valora Analitik. (2023-12-13). Información económica, política y financiera. Recuperado de: https://www.valoraanalitik.com/asi-funciona-bolsa-de-energia-colombia/ Pykes, Kurtis. (2022). Dropout Regularization with TensorFlow/Keras. Comet. Recuperado de: https://www.comet.com/site/blog/dropout-regularization-with-tensorflow-keras/ Quevedo, M. (2014). Análisis y cobertura del riesgo en el precio de compra de energía eléctrica por medio de instrumentos derivados. Estudio dirigido a compañías comercializadoras de energía en Colombia. Universidad de los Andes. Recuperado de https://repositorio.uniandes.edu.co/server/api/core/bitstreams/bc794046-746c-41b9-a1b0-d75b5613ebf8/content Redacción Ambiente. (2024-02-16). Para 2027, el 26 % de la energía producida en Colombia sería solar y eólica. El Espectador. Recuperado de: https://www.elespectador.com/ambiente/para-2027-el-26-de-la-energia-producida-en-colombia-seria-solar-y-eolica/ Rojas Sánchez, D. A. (2023). Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes. Proyecto Individual en Ingeniería Mecánica. Universidad de los Andes. Bogotá. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/770ffb19-053a-4927-8234-0c0fcd8ede76/content Rosebrock, A. (2021). Easy Hyperparameter Tuning with Keras Tuner and TensorFlow. PyImageSearch. Recuperado de: https://pyimagesearch.com/2021/06/07/easy-hyperparameter-tuning-with-keras-tuner-and-tensorflow/ Silva Aljure, C. (2023-11-07). ¿Qué factores afectan la producción de energía solar? Recuperado de: ¿Qué factores afectan la producción de energía solar? Recuperado de: senergysol.com.co sklearn. ensemble. RandomForestRegressor. (n.d.). scikit-learn 1.4.2 documentation. Recuperado de: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html sklearn. ensemble. GradientBoostingRegressor. (n.d.). 1.4.2 Recuperado de: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html SotySolar. (2021-01-23). ¿Qué factores afectan a la generación de energía con placas solares? Recuperado de: https://sotysolar.es/blog/factores-afectan-generacion-placas-solares TensorFlow. (2022). Introducción a los tensores. Recuperado de: https://www.tensorflow.org/guide/tensor?hl=es-419 TensorFlow. (2022). Working with RNNs. Recuperado de: https://www.tensorflow.org/guide/keras/working_with_rnns UV. (s.f). Análisis factorial para estructura sociodemográfica del AMV. Universidad de Valencia. Recuperado de: https://www.uv.es/ceaces/multivari/factorial/faconservar.htm#:~:text=Uno%20de%20los%20m%C3%A1s%20conocidos,los%20programas%20estad%C3%ADsticos%20por%20defecto. |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/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-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
93 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 de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| 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/a03cec4c-fc88-4892-abbc-14c18097c50c/download https://repositorio.uniandes.edu.co/bitstreams/c9d30e73-0a7f-49a1-9b91-c3e491cf9e22/download https://repositorio.uniandes.edu.co/bitstreams/65f0b027-c1ed-467e-90c5-b6fdd0b58713/download https://repositorio.uniandes.edu.co/bitstreams/041992b8-2555-46b6-9a6b-aab6189647d3/download https://repositorio.uniandes.edu.co/bitstreams/46dbd783-87c9-49d4-af44-1eafdaade864/download https://repositorio.uniandes.edu.co/bitstreams/87ae25e5-2590-4cc1-8c5b-8c9388fb14e1/download https://repositorio.uniandes.edu.co/bitstreams/3beb3a22-76c4-4803-8cd6-ea4483f1ee3a/download https://repositorio.uniandes.edu.co/bitstreams/55a3e4ca-48ff-4696-8e41-6634c4744856/download |
| bitstream.checksum.fl_str_mv |
ef40d890a577072570b11ddd58d6777e 1c25bea52725d0190602ee455874ace2 4460e5956bc1d1639be9ae6146a50347 ae9e573a68e7f92501b6913cc846c39f a5d399887e4c456d98ca25318286ccd0 054090ca08216aeb0db0574a356d9db4 3704b823e71e7c2d70079551fdadcb78 731fbc686aa4ee5ba26e8fc938474697 |
| 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_ |
1818111775570132992 |
| spelling |
Takahashi Rodríguez, Silviavirtual::19962-1Nassar Suárez, Gabriel2024-08-21T16:40:07Z2024-08-21T16:40:07Z2024-08-19https://hdl.handle.net/1992/75114instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto de grado se realizó con el objetivo de predecir la generación de energía para una planta generadora de energía solar en Colombia, utilizando como técnica de inteligencia artificial las redes neuronales. Se desarrollaron y compararon tres arquitecturas diferentes: Long Short-Term Memory (LSTM), Convolutional 1 Dimension (Conv1D) y Gated Recurrent Unit (GRU). Para la predicción, se utilizaron variables como la energía producida, variables de tiempo (representadas con funciones seno y coseno del día y del año), y diversas variables meteorológicas obtenidas de los datos de medición de la planta solar. Se probaron diversas metodologías para la inclusión de estas variables en los modelos. Los modelos se evaluaron en diferentes resoluciones temporales, inversores y años, logrando en la mayoría de los casos resultados muy buenos, con errores menores al 10%.Pregrado93 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronalesTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPRedes neuronalesInteligencia artificialEnergía solarPlanta fotovoltaicaModelo predictivoMachine learningTensorFlowKerasPythonLSTMGRUConvolucionalIngenieríaAngarita, J., & Pérez, W. (2021). Comportamiento tarifario de energías renovables tipo eólica y solar en la generación de energía eléctrica en Colombia. Universidad EAN. Recuperado de: https://repository.universidadean.edu.co/bitstream/handle/10882/11402/PerezWalter2021.pdf?sequence=1&isAllowed=yAmarasinghe, Gihan & Abeygunawardane, s. (2018). An artificial neural network for solar power generation forecasting using weather parameters. Recuperado de: https://www.researchgate.net/publication/328530283_An_artificial_neural_network_for_solar_power_generation_forecasting_using_weather_parametersAWS. (s.f.). ¿Qué es el aprendizaje por transferencia? Amazon Web Services. Recuperado de: https://aws.amazon.com/es/what-is/transfer-learning/Amazon Web Services. (2023). ¿En qué consiste el ajuste de hiperparámetros? | AWS. Amazon Web Services. Recuperado de: https://aws.amazon.com/es/what-is/hyperparameter-tuning/Bellagarda, A., Grassi, D., Aliberti, A., Bottaccioli, L., Macii, A., & Patti, E. (2023). Effectiveness of neural networks and transfer learning to forecast photovoltaic power production. Applied Soft Computing Journal, 149, 110988. Recuperado de: https://doi.org/10.1016/j.asoc.2023.110988Boutahir, Mohamed Khalifa & Farhaoui, Yousef & Azrour, Mourade & Zeroual, Imad & El allaoui, Ahmad. (2022). Effect of Feature Selection on the Prediction of Direct Normal Irradiance. Big Data Mining and Analytics. 5. 309 - 317. 10.26599/BDMA.2022.9020003.Cuesta, A., Constante, J., & Jijón, D. (2019). Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes. Instituto de Investigación Geológico y Energético, Quito, Ecuador. Recuperado de: http://scielo.senescyt.gob.ec/pdf/rte/v19n2/2602-8492-rte-19-02-00081.pdfDewi, C., & Chen, R.-C. (2019). Random forest and support vector machine on features selection for regression analysis. Recuperado de: http://www.ijicic.org/ijicic-150602.pdfEndesa. (2024, enero 17). Los tres factores que más afectan a la producción de las placas solares. Recuperado de: Los tres factores que más afectan a la producción de las placas solares | EndesaGeeksforGeeks. (2022). Adam Optimizer in TensorFlow. Recuperado de: https://www.geeksforgeeks.org/adam-optimizer-in-tensorflow/Herrera Jiménez, A. (2023). Análisis y predicción de radiación en sistemas fotovoltaicos haciendo uso de machine learning. Proyecto Individual en Ingeniería Mecánica. Universidad de los Andes. Bogotá. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/ff75b5e1-40fb-4783-ae95-e54e5643e339/contentHasan, B. M. S., & Abdulazeez, A. M. (2021). A Review of Principal Component Analysis Algorithm for Dimensionality Reduction. Journal of Soft Computing and Data Mining, 2(1), 20-30. Recuperado de: https://publisher.uthm.edu.my/ojs/index.php/jscdm/article/view/8032/4199Hogg, G. (2022). LSTM Time Series Forecasting Tutorial in Python. Recuperado de: https://www.youtube.com/watch?v=c0k-YLQGKjYKarasu, S., & Altan, A. (2019). Recognition Model for Solar Radiation Time Series based on Random Forest with Feature Selection Approach. Zonguldak Bülent Ecevit University, Department of Electrical and Electronics Engineering, Zonguldak, Türkiye. Recuperado de: https://www.researchgate.net/publication/339258294_Recognition_Model_for_Solar_Radiation_Time_Series_based_on_Random_Forest_with_Feature_Selection_Approach/link/5e5a7acb299bf1bdb847c63d/download?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY2F0aW9uIn19Mosquera Quintero. Brayenda. (2019-04-18). Energía Solar Surya. ¿Cómo Funcionan Los Paneles Solares? Recuperado de: https://www.energiasolarsurya.com/paneles-solares/como-funcionan-los-paneles-solares/Murcia, Paula. Valora Analitik. (2023-12-13). Información económica, política y financiera. Recuperado de: https://www.valoraanalitik.com/asi-funciona-bolsa-de-energia-colombia/Pykes, Kurtis. (2022). Dropout Regularization with TensorFlow/Keras. Comet. Recuperado de: https://www.comet.com/site/blog/dropout-regularization-with-tensorflow-keras/Quevedo, M. (2014). Análisis y cobertura del riesgo en el precio de compra de energía eléctrica por medio de instrumentos derivados. Estudio dirigido a compañías comercializadoras de energía en Colombia. Universidad de los Andes. Recuperado de https://repositorio.uniandes.edu.co/server/api/core/bitstreams/bc794046-746c-41b9-a1b0-d75b5613ebf8/contentRedacción Ambiente. (2024-02-16). Para 2027, el 26 % de la energía producida en Colombia sería solar y eólica. El Espectador. Recuperado de: https://www.elespectador.com/ambiente/para-2027-el-26-de-la-energia-producida-en-colombia-seria-solar-y-eolica/Rojas Sánchez, D. A. (2023). Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes. Proyecto Individual en Ingeniería Mecánica. Universidad de los Andes. Bogotá. Recuperado de: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/770ffb19-053a-4927-8234-0c0fcd8ede76/contentRosebrock, A. (2021). Easy Hyperparameter Tuning with Keras Tuner and TensorFlow. PyImageSearch. Recuperado de: https://pyimagesearch.com/2021/06/07/easy-hyperparameter-tuning-with-keras-tuner-and-tensorflow/Silva Aljure, C. (2023-11-07). ¿Qué factores afectan la producción de energía solar? Recuperado de: ¿Qué factores afectan la producción de energía solar? Recuperado de: senergysol.com.cosklearn. ensemble. RandomForestRegressor. (n.d.). scikit-learn 1.4.2 documentation. Recuperado de: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.htmlsklearn. ensemble. GradientBoostingRegressor. (n.d.). 1.4.2 Recuperado de: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.htmlSotySolar. (2021-01-23). ¿Qué factores afectan a la generación de energía con placas solares? Recuperado de: https://sotysolar.es/blog/factores-afectan-generacion-placas-solaresTensorFlow. (2022). Introducción a los tensores. Recuperado de: https://www.tensorflow.org/guide/tensor?hl=es-419TensorFlow. (2022). Working with RNNs. Recuperado de: https://www.tensorflow.org/guide/keras/working_with_rnnsUV. (s.f). Análisis factorial para estructura sociodemográfica del AMV. Universidad de Valencia. Recuperado de: https://www.uv.es/ceaces/multivari/factorial/faconservar.htm#:~:text=Uno%20de%20los%20m%C3%A1s%20conocidos,los%20programas%20estad%C3%ADsticos%20por%20defecto.201822882Publicationhttps://scholar.google.es/citations?user=x7gjZ04AAAAJvirtual::19962-10000-0001-7971-8979virtual::19962-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000143898virtual::19962-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::19962-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::19962-1ORIGINALFormato autorizacion tesis (1).pdfFormato autorizacion tesis (1).pdfHIDEapplication/pdf315123https://repositorio.uniandes.edu.co/bitstreams/a03cec4c-fc88-4892-abbc-14c18097c50c/downloadef40d890a577072570b11ddd58d6777eMD51Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdfModelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdfapplication/pdf7509133https://repositorio.uniandes.edu.co/bitstreams/c9d30e73-0a7f-49a1-9b91-c3e491cf9e22/download1c25bea52725d0190602ee455874ace2MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/65f0b027-c1ed-467e-90c5-b6fdd0b58713/download4460e5956bc1d1639be9ae6146a50347MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/041992b8-2555-46b6-9a6b-aab6189647d3/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTFormato autorizacion tesis (1).pdf.txtFormato autorizacion tesis (1).pdf.txtExtracted texttext/plain2059https://repositorio.uniandes.edu.co/bitstreams/46dbd783-87c9-49d4-af44-1eafdaade864/downloada5d399887e4c456d98ca25318286ccd0MD55Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdf.txtModelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdf.txtExtracted texttext/plain101939https://repositorio.uniandes.edu.co/bitstreams/87ae25e5-2590-4cc1-8c5b-8c9388fb14e1/download054090ca08216aeb0db0574a356d9db4MD57THUMBNAILFormato autorizacion tesis (1).pdf.jpgFormato autorizacion tesis (1).pdf.jpgGenerated Thumbnailimage/jpeg10885https://repositorio.uniandes.edu.co/bitstreams/3beb3a22-76c4-4803-8cd6-ea4483f1ee3a/download3704b823e71e7c2d70079551fdadcb78MD56Modelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdf.jpgModelo de predicción de generación fotovoltaica en Colombia basado en redes neuronales.pdf.jpgGenerated Thumbnailimage/jpeg9755https://repositorio.uniandes.edu.co/bitstreams/55a3e4ca-48ff-4696-8e41-6634c4744856/download731fbc686aa4ee5ba26e8fc938474697MD581992/75114oai:repositorio.uniandes.edu.co:1992/751142024-09-12 16:19:36.528http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |