Diseño de una solución para la predicción a corto plazo de radiación solar en la región de la Comunidad de Castilla y León, España, para la gestión de proyectos de generación fotovoltaica

RESUMEN : La energía solar fotovoltaica es una de las principales soluciones para mitigar el cambio climático. Sin embargo, la variabilidad de la radiación solar percibida por los paneles solares presenta un desafío técnico y operacional significativo. Esta variabilidad se debe a la interacción de la luz solar con la atmósfera, resultando en una radiación solar percibida diferente a la teórica. Esta monografía aborda la predicción de la radiación solar a diferentes escalas temporales, utilizando datos de una estación meteorológica en Castilla y León, España, para el período 2002-2010. Para realizar las predicciones, se emplean Redes Neuronales Recurrentes (RNN), Long Short-Term Memory (LSTM) y Gated Recurrent Units (GRU). El desempeño de estos modelos se evalúa mediante métricas usadas comúnmente en la evaluación del desempeño de técnicas de aprendizaje profundo como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) y el Error Porcentual Absoluto Medio (MAPE), permitiendo comparar la precisión y exactitud de las predicciones entre los distintos modelos.

• Autores: Castaño Licona, Andrés; Guerrero Jiménez, Moisés Alfonso
• Tipo de recurso: Tesis
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/40404
• Acceso en línea: https://hdl.handle.net/10495/40404
• Palabra clave: Aprendizaje Profundo; Deep Learning; Energía solar; Solar energy; Radiación solar; Solar radiation; Técnicas de predicción; Forecasting techniques; Redes neurales (computadores); Neural networks (Computer science); Generación de energía fotovoltaica; Photovoltaic power generation; https://id.nlm.nih.gov/mesh/D000077321
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/