Desarrollo de un Sistema de Monitorización y Algoritmo Inteligente de Predicción para Comunidades Energéticas
El objetivo del trabajo es doble, por un lado, se centrará en la monitorización de la energía fotovoltaica producida y la energía consumida de las diferentes instalaciones de la ULL. Por otra parte, se desarrollará un modelo basado en aprendizaje automático para la predicción de la energía generada...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad de La Laguna (ULL) |
| Repositorio: | RIULL. Repositorio Institucional de la Universidad de La Laguna |
| OAI Identifier: | oai:riull.ull.es:915/37779 |
| Acceso en línea: | http://riull.ull.es/xmlui/handle/915/37779 |
| Access Level: | acceso abierto |
| Palabra clave: | Monitorización, Generación fotovoltaica, IoT, ThingsBoard, Web Scraping, RPA, APIs, Red Neuronal Recurrente, LSTM. Monitoring, Photovoltaic generation, IoT, ThingsBoard, Web Scraping, RPA, APIs, Recurrent Neural Network, LSTM. |
| Sumario: | El objetivo del trabajo es doble, por un lado, se centrará en la monitorización de la energía fotovoltaica producida y la energía consumida de las diferentes instalaciones de la ULL. Por otra parte, se desarrollará un modelo basado en aprendizaje automático para la predicción de la energía generada en las instalaciones. En la primera parte del trabajo se desarrollará un sistema de monitorización energética en instalaciones fotovoltaicas usando una plataforma basada en Internet de las Cosas (IoT). La aplicación desarrollada consistirá en la monitorización de las instalaciones de generación fotovoltaica de la Universidad de La Laguna (ULL) y usará la plataforma Thingsboard que permite recolectar, visualizar y analizar datos de dispositivos conectados a internet de una manera eficiente. Para la implementación del sistema, se utilizarán herramientas avanzadas de extracción de datos, incluyendo técnicas de Web Scraping y Automatización Robótica de Procesos (RPA), que permitirán recoger datos en tiempo real de los inversores fotovoltaicos y otros dispositivos. Estos datos serán integrados y sincronizados en ThingsBoard, facilitando la visualización y el análisis a través de cuadros de mando intuitivos. En la segunda parte del trabajo se desarrolló un modelo de predicción utilizando redes neuronales de tipo Long Short-Term Memory (LSTM) para anticipar la generación de energía fotovoltaica del Edificio SEGAI de la ULL. Este modelo no solo permitirá prever la generación de energía en función de variables históricas y condiciones ambientales, sino que también proporcionará una herramienta valiosa para la toma de decisiones y la gestión eficiente del consumo energético. El proyecto desarrollado establece la base para la implementación de una comunidad energética que se está desarrollando en la Universidad de La Laguna en el contexto del proyecto Europeo “Sustainable Atlantic Communities” (SAtComm) |
|---|