Predicción de nubes a corto plazo para una plataforma solar a partir de datos radiométricos
Internet de las cosas es un paradigma que ha revolucionado la conexión entre las personas y los objetos generando en tiempo real una gran cantidad de datos. Debido a esta revolución, diversos campos están viviendo un gran aumento en su utilización, y entre ellos se encuentra el campo de las energías...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2018 |
| Country: | España |
| Institution: | Universidad Complutense de Madrid (UCM) |
| Repository: | Docta Complutense |
| Language: | Spanish |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/19959 |
| Online Access: | https://hdl.handle.net/20.500.14352/19959 |
| Access Level: | Open access |
| Keyword: | 004.85(043.3) 004.032.26(043.3) Aprendizaje automático Internet de las cosas Redes neuronales Aprendizaje profundo Radiación Solar Machine learning Internet of things Neuronal networks Deep learning Solar radiation Informática (Informática) Inteligencia artificial (Informática) Redes 1203.17 Informática 1203.04 Inteligencia Artificial |
| Summary: | Internet de las cosas es un paradigma que ha revolucionado la conexión entre las personas y los objetos generando en tiempo real una gran cantidad de datos. Debido a esta revolución, diversos campos están viviendo un gran aumento en su utilización, y entre ellos se encuentra el campo de las energías renovables. En concreto, la energía solar está teniendo una velocidad de desarrollo muy acentuada, necesitando nuevas formas de actuar y de gestionar las instalaciones. En este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería (PSACIEMAT 1 ). En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en la precisión del método con respecto a la predicción basada en el último valor conocido. |
|---|