Técnicas de imputación de datos para el diseño de celdas solares fotovoltaicas de tercera generación con modelos de aprendizaje automático

La energía solar se ha convertido en una de las principales fuentes de energía renovable, y la tecnología de celdas solares de perovskita ha emergido como una prometedora alternativa debido a su alta eficiencia y bajo costo de fabricación. Sin embargo, como en cualquier campo de investigación, la calidad y la integridad de los datos son fundamentales para el desarrollo y la optimización de estos dispositivos. En particular, el manejo de datos faltantes en los conjuntos de datos experimentales puede representar un desafío significativo, ya que puede afectar la precisión de los modelos predictivos y las conclusiones derivadas. Este proyecto de grado se enfoca en la implementación y evaluación de diversos algoritmos de imputación de datos faltantes en celdas solares de perovskita, utilizando variables obtenidas del conjunto de datos The Perovskite Database. El objetivo principal es identificar los métodos de imputación más efectivos para mantener la integridad de los datos y garantizar que las variables críticas, como la eficiencia de conversión, el factor de llenado, y otros parámetros, sean representados de manera precisa. Mediante la comparación de diferentes algoritmos de imputación en términos de precisión, tiempo de ejecución, y consumo de memoria, se buscará el modelo que se adapte mejor al conjunto de datos.

• Autores: Hernández Pérez, Camilo Andrés
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Francisco de Paula Santander
• Repositorio: Repositorio Digital UFPS
• Idioma: spa
• OAI Identifier: oai:repositorio.ufps.edu.co:ufps/9691
• Acceso en línea: https://repositorio.ufps.edu.co/handle/ufps/9691
• Palabra clave: Perovskita; Machine Learning; Análisis de Datos; Análisis de Datos
• Rights: closedAccess
• License: Derechos Reservados - Universidad Francisco de Paula Santander, 2024