Modelo para predicción de potencia de paneles fotovoltaicos utilizando técnicas de clasificación no supervisada y redes neuronales artificiales
La energía solar fotovoltaica se encuentra en crecimiento debido a que la eficiencia de los paneles ha aumentado y los costos han disminuido en los últimos años. Asimismo, las legislaciones promueven que cada vez sea mayor la capacidad instalada de potencia fotovoltaica. Sin embargo, la naturaleza d...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión actualizada desde la publicación |
| Fecha de publicación: | 2020 |
| País: | Colombia |
| Institución: | Universidad del Norte |
| Repositorio: | Repositorio Uninorte |
| Idioma: | español |
| OAI Identifier: | oai:manglar.uninorte.edu.co:10584/9049 |
| Acceso en línea: | http://hdl.handle.net/10584/9049 |
| Access Level: | acceso abierto |
| Palabra clave: | Energía solar Redes neurales (Computadores) |
| Sumario: | La energía solar fotovoltaica se encuentra en crecimiento debido a que la eficiencia de los paneles ha aumentado y los costos han disminuido en los últimos años. Asimismo, las legislaciones promueven que cada vez sea mayor la capacidad instalada de potencia fotovoltaica. Sin embargo, la naturaleza de la energía solar es intermitente e incontrolable, lo que genera inestabilidad en los sistemas fotovoltaicos que suministran energía a la red. En este proyecto se desarrolla una metodología para el ajuste de un modelo de predicción de potencia fotovoltaica utilizando redes neuronales artificiales a partir de datos tomados en la Universidad del Norte, Puerto Colombia. Se desarrolló un modelo híbrido en el que los datos se clasificaron primero en diferentes tipos de días utilizando k-means clustering. Luego, se desarrollaron modelos de predicción para cada una de las categorías de días. Fue utilizada la validación cruzada de K-Fold para validar los perceptrones multicapa entrenados con retropropagación resiliente. Para los días soleados se logró un nRMSE del 5,48% y para los días nublados de 5,24%. Estos errores son menores al nRMSE de 5.53% del modelo sin clasificación. Estos errores se contrastan con el 17,81% del modelo de persistencia. A su vez, se comprobó que para los datos recolectados no fue posible hallar un modelo de regresión lineal múltiple que cumpliera con los supuestos de validación estadística. Los resultados obtenidos en esta investigación demuestran que la metodología propuesta es de utilidad para disminuir el error de predicción de potencia fotovoltaica. |
|---|