Pronóstico de radiación solar mediante aprendizaje automático utilizando software de código abierto

dc.contributor.advisorSalazar Achig, Edgar Roberto
dc.contributor.authorMuguicha Hinojoza, Cristhian Ismael
dc.date.accessioned2024-03-01T20:23:57Z
dc.date.available2024-03-01T20:23:57Z
dc.date.issued2024-03
dc.descriptionThe present research work focuses on predicting solar radiation. The importance of making this prediction lies in its various applications such as: renewable energy generation, photosynthesis for plant growth, for thermal systems for water heating, etc. The methodology used involves the design, implementation and comparison of several prediction models, these models are based on machine learning techniques and are implemented using open source software (Python), among the techniques used are simple linear regression, closed recurrent units (GRU) and neural networks. To evaluate the effectiveness of these models, metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE) and the coefficient of determination (R2) are used to measure the accuracy of the predictions compared to the real data. For the analysis of the results obtained from each prediction model, it is carried out in three scenarios: one day (2023/02/06), one week (2023/02/13 to 2023/02/19) and one month (March 2023), in which, the one that stands out best in the three analysis scenarios is the simple linear regression model due to its consistent superior performance in several metrics. With a low Mean Absolute Error (MAE = 19.379), high Coefficient of Determination (R2 = 0.9937) close to 1, and the lowest Mean Squared Error (MSE = 525.963) in all instances, this technique proves to offer more accurate predictions and a robust fit.es_ES
dc.description.abstractEl presente trabajo de investigación se enfoca en predecir la radiación solar. La importancia de realizar esta predicción radica en sus diversas aplicaciones como: la generación de energía renovable, la fotosíntesis para el crecimiento de las plantas, para sistemas térmicos para calentar agua, etc. La metodología utilizada implica el diseño, implementación y comparación de varios modelos de predicción, estos modelos se basan en técnicas de aprendizaje automático y son implementados mediante software de código abierto (Python), entre las técnicas empleadas se encuentran la regresión lineal simple, unidades recurrentes cerradas (GRU) y redes neuronales. Para evaluar la efectividad de estos modelos, se utilizan métricas como el Error Cuadrático Medio (MSE), el Error Absoluto Medio (MAE) y el coeficiente de determinación (R2), estas métricas permiten medir la precisión de las predicciones en comparación con los datos reales. Para el análisis de los resultados obtenidos de cada modelo de predicción, se realiza en tres escenarios: un día (2023/02/06), una semana (2023/02/13 al 2023/02/19) y un mes (marzo del 2023), en el cual, el que mejor destaca en los tres escenarios de análisis, es el modelo de regresión lineal simple debido a su consistente desempeño superior en diversas métricas. Con un bajo Error Absoluto Medio (MAE = 19,379), alto Coeficiente de Determinación (R2 = 0,9937) cercano a 1, y el Error Cuadrático Medio (MSE = 525,963) más bajo en todas las instancias, esta técnica demuestra ofrecer predicciones más precisas y un ajuste robusto.es_ES
dc.format.extent100 páginases_ES
dc.identifier.citationMuguicha Hinojoza, Cristhian Ismael (2024); Pronóstico de radiación solar mediante aprendizaje automático utilizando software de código abierto. UTC. Latacunga. 100 p.es_ES
dc.identifier.otherPI-002718
dc.identifier.urihttp://repositorio.utc.edu.ec/handle/27000/11983
dc.language.isospaes_ES
dc.publisherEcuador: Latacunga: Universidad Técnica de Cotopaxi; (UTC)es_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectAPRENDIZAJE AUTOMÁTICOes_ES
dc.subjectPRONOSTICOes_ES
dc.subjectMÉTRICASes_ES
dc.subjectMODELOSes_ES
dc.subject.otherELECTRICIDADes_ES
dc.titlePronóstico de radiación solar mediante aprendizaje automático utilizando software de código abiertoes_ES
dc.typebachelorThesises_ES
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
PI-002718.pdf
Size:
8.56 MB
Format:
Adobe Portable Document Format
Description:
PROYECTOS DE GRADO A TEXTO COMPLETO
License bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: