Diseño de una herramienta de predicción mediante machine learning para la generación fotovoltaica en usuarios urbanos y rurales
| dc.contributor.advisor | Castillo Fiallos, Jessica Nataly | |
| dc.contributor.author | Lojano Navas Cristofer Sergio | |
| dc.date.accessioned | 2024-10-04T14:20:04Z | |
| dc.date.available | 2024-10-04T14:20:04Z | |
| dc.date.issued | 2024-08 | |
| dc.description | El trabajo de investigación responde a la necesidad de la generación eléctrica frente a los problemas de estiaje causados por sequías prolongadas y fenómenos climáticos con El Niño, afectando negativamente la generación hidroeléctrica. Por ello, es crucial explorar nuevas fuentes de energías renovables. Los sistemas fotovoltaicos emergen como una alternativa, dado que el sol es una fuente accesible y su aprovechamiento para la generación eléctrica representa una alternativa accesible. Para el proyecto de investigación se recopilaron datos de radiación solar del 2017 al 2013 en Tabacundo, los cuales fueron apropiadamente procesados y depurados asegurando su calidad, además, realizando una indexación en la base de datos, posteriormente son debidamente divididos en conjuntos de entrenamiento, utilizando los años 2017-2022 y parte del 2023 para entrenamiento (80%) y el resto del 2023 para validación (20%). La librería DecisionTreeRegressor permite entrenar y predecir el algoritmo en el software Python. El modelo de árbol de decisión resulta confiable para predicciones a corto plazo con una precisión de 0.976, sensibilidad de 0.998, exactitud de 0.974 y R^2 de 0.935, sin embargo, su rendimiento a largo plazo es deficiente obteniendo resultados de MAE de 8.694 en 1 mes y 139.6 para 6 meses, se recomienda considerar otros modelos como LSTM, además, considerar más variables para mejorar la precisión. Para le dimensionamiento fotovoltaico se requiere 15 paneles para un consumo de 160 kWh en sistemas conectados a la red y 17 en sistemas aislados, resultando más costosos debido a la necesidad de más componentes y un suministro continuo, siendo menos recomendable. | |
| dc.description.abstract | This research work responds to the electricity generation need because of the drought problems caused by lengthy droughts and climatic phenomena—El Niño, negatively affecting hydroelectric generation. Therefore, it is crucial to explore new sources of renewable energy. Photovoltaic systems emerge as an alternative, given that the sun is an accessible source and its use for electricity generation represents an accessible alternative. For this research project, solar radiation data is collected from 2017 to 2013 in Tabacundo, which is appropriately processed and purified to ensure its quality. In addition, the database is indexed and then divided into sets, using the years 2017-2022 and part of 2023 for training (80%) and the rest of 2023 for validation (20%). The DecisionTreeRegressor library allows the algorithm to be trained and predicted in Python software. The decision tree model is reliable for short-term predictions with a precision of 0.976, sensitivity of 0.998, accuracy of 0.974 and R^2 of 0.935. However, its long-term performance is poor, obtaining MAE results of 8.694 in 1 month and 139.6 for 6 months. It is recommended to consider other models such as LSTM and more variables to improve precision. For photovoltaic sizing, 15 panels are required for a consumption of 160 kWh in grid-connected systems and 17 in isolated systems, resulting in higher costs due to the need for more components and a continuous supply, being less advisable. | |
| dc.format.extent | 78 páginas | |
| dc.identifier.citation | Lojano Navas Cristofer Sergio (2024); Diseño de una herramienta de predicción mediante machine learning para la generación fotovoltaica en usuarios urbanos y rurales UTC. Latacunga. 78p. | |
| dc.identifier.issn | PI-002916 | |
| dc.identifier.uri | https://repositorio.utc.edu.ec/handle/123456789/12254 | |
| dc.language.iso | es | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi: (UTC) | |
| dc.subject | PREDICCIÓN | |
| dc.subject | RADIACIÓN SOLAR | |
| dc.subject | DIMENSIONAMIENTO FOTOVOLTAICO | |
| dc.subject | ÁRBOL DECISIÓN | |
| dc.title | Diseño de una herramienta de predicción mediante machine learning para la generación fotovoltaica en usuarios urbanos y rurales | |
| dc.type | Thesis |