Tesis - Maestría en Electricidad Mención Sistemas Eléctricos de Potencia

Permanent URI for this collection

https://repositorio.utc.edu.ec/handle/27000/5676

Browse

Browsing Tesis - Maestría en Electricidad Mención Sistemas Eléctricos de Potencia by Subject "ÁRBOL DE DECISIÓN"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Análisis del potencial de irradiación solar en la hacienda "La Campiña" de la parroquia de Mulaló. Propuesta para aplicación de un algoritmo de optimización basado en machine learning en la predicción de generación fotovoltaica.
    (Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC), 2022) Núñez Verdezoto, Marlon Daniel; Mullo Quevedo, Álvaro Santiago
    La investigación presenta un modelo de predicción de generación fotovoltaica utilizando Machine Learning y una de sus principales máquinas de aprendizaje “Random Forest”, esta investigación tuvo lugar en La Hacienda “La Campiña” ubicada en la parroquia Mulaló que pertenece al cantón Latacunga, donde se realizó la toma de datos reales de Irradiación solar y Temperatura en el Lapso del año 2020 con un instrumento de medición llamado piranómetro Solar Power Meter SM206. El modelo de predicción fue creado en Python y las variables de mayor incidencia. Este modelo realiza una predicción de la variable Potencia, fue entrenado con las variables de Irradiación solar y Temperatura el proceso consiste en ingresar las variables primero de un día cualquiera para predecir una variable seleccionada de otro día, aquí tomamos datos del día 01 de enero para su entrenamiento y predecimos el día 20 del mismo mes con la mayor cantidad de datos de variables para tener un error que se encuentra entre los márgenes permisibles y garantice la eficiencia del modelo de la misma manera se realizó la predicción de un mes completo donde se entrenó con datos del mes marzo para llegar a predecir mayo. La eficiencia en la predicción diaria es del 91,41% y la mensual del 94,47%, la predicción mensual llega a ser más efectiva debido a que contiene mayor número de datos de cada variable por ende el desempeño en el entrenamiento es más rentable, cabe recalcar que este modelo utiliza 1 000 Árboles de decisión.