Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica
El presente trabajo expone el proceso de construcción de un modelo predictivo de Deep Learning, aplicado a la predicción de la potencia eléctrica generada por una planta fotovoltaica. El caso de estudio es la planta del Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE),...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis acceptedVersion Tesis de grado |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina
2024
|
| Materias: | |
| Acceso en línea: | http://rinfi.fi.mdp.edu.ar/handle/123456789/785 |
| Aporte de: |
| id |
I29-R182-123456789-785 |
|---|---|
| record_format |
dspace |
| spelling |
I29-R182-123456789-7852024-04-26T15:00:14Z Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica Marinucci, Lorenzo Palomeque, Lucía Lourdes Seijas, Leticia María González, Sergio Alejandro Modelo predictivo Deep Learning Aprendizaje profundo Energía fotovoltaica LSTM GRU Bi-LSTM Long Short-Term Memory (LSTM) El presente trabajo expone el proceso de construcción de un modelo predictivo de Deep Learning, aplicado a la predicción de la potencia eléctrica generada por una planta fotovoltaica. El caso de estudio es la planta del Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE), situada en la terraza de la Facultad de Ingenierıa de la Universidad Nacional de Mar del Plata. En primer lugar, se realizo un estudio abarcativo sobre los modelos pertenecientes al estado del arte de la problemática. Luego, a trav´es de diversas etapas de experimentación, se optimizaron los modelos hasta minimizar el error predictivo. Se obtuvo una gran variedad de modelos de buena performance, entre los cuales el mejor se constituyo de una arquitectura Long Short-Term Memory (LSTM) de 3 capas ocultas. El modelo minimizo el error de porcentaje medio absoluto (MAPE) a un 9,46 % (±0,20 %), lo que representa una mejora del 6,8 % respecto a los reportados previamente por el ICyTE. A su vez, se encuentran cercanos a aquellos hallados en la literatura para ciudades con condiciones climáticas similares a Mar del Plata. Por otra parte, se llevo a cabo el proceso de desarrollo de un producto de software que permite utilizar el modelo implementado, modificar sus características y visualizar y exportar los resultados generados. Asimismo, la herramienta cuenta con las capacidades necesarias para realizar un análisis del comportamiento y las propiedades de las variables climáticas que influyen en la predicción de potencia eléctrica. Ademas de describir los procesos técnicos realizados, se incluye una reflexión acerca de las diferencias con la planificación original, los desvıos, el grado de cumplimiento de los objetivos establecidos y el aprendizaje experimentado al desarrollar el trabajo final de la carrera. Mail de los autores Marinucci, Lorenzo <lorenmarinucci@gmail.com>; Palomeque, Lucia Lourdes <lucialourdespalomeque@gmail.com> Fil: Marinucci, Lorenzo. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina Fil: Palomeque, Lucía Lourdes. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina 2024-12-14 Thesis info:eu-repo/semantics/acceptedVersion info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/bachelorThesis application/pdf http://rinfi.fi.mdp.edu.ar/handle/123456789/785 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by/4.0/ Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina |
| institution |
Universidad Nacional de Mar del Plata (UNMdP) |
| institution_str |
I-29 |
| repository_str |
R-182 |
| collection |
RINFI - Facultad de Ingeniería (UNMdP) |
| language |
Español |
| topic |
Modelo predictivo Deep Learning Aprendizaje profundo Energía fotovoltaica LSTM GRU Bi-LSTM Long Short-Term Memory (LSTM) |
| spellingShingle |
Modelo predictivo Deep Learning Aprendizaje profundo Energía fotovoltaica LSTM GRU Bi-LSTM Long Short-Term Memory (LSTM) Marinucci, Lorenzo Palomeque, Lucía Lourdes Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| topic_facet |
Modelo predictivo Deep Learning Aprendizaje profundo Energía fotovoltaica LSTM GRU Bi-LSTM Long Short-Term Memory (LSTM) |
| description |
El presente trabajo expone el proceso de construcción de un modelo predictivo de Deep Learning, aplicado a la predicción de la potencia eléctrica generada por una planta fotovoltaica. El caso de estudio es la planta del Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE), situada en la terraza de la Facultad de Ingenierıa de la Universidad Nacional de Mar del Plata.
En primer lugar, se realizo un estudio abarcativo sobre los modelos pertenecientes al estado del arte de la problemática. Luego, a trav´es de diversas etapas de experimentación, se optimizaron los modelos hasta minimizar el error predictivo. Se obtuvo una gran variedad de modelos de buena performance, entre los cuales el mejor se constituyo de una arquitectura Long Short-Term Memory (LSTM) de 3 capas ocultas. El modelo minimizo el error de porcentaje medio absoluto (MAPE) a un 9,46 % (±0,20 %), lo que representa una mejora del 6,8 % respecto a los reportados previamente por el ICyTE. A su vez, se encuentran cercanos a aquellos hallados en la literatura para ciudades con condiciones climáticas similares a Mar del Plata.
Por otra parte, se llevo a cabo el proceso de desarrollo de un producto de software que permite utilizar el modelo implementado, modificar sus características y visualizar y exportar los resultados generados. Asimismo, la herramienta cuenta con las capacidades necesarias para realizar un análisis del comportamiento y las propiedades de las variables climáticas que influyen en la predicción de potencia eléctrica.
Ademas de describir los procesos técnicos realizados, se incluye una reflexión acerca de las diferencias con la planificación original, los desvıos, el grado de cumplimiento de los objetivos establecidos y el aprendizaje experimentado al desarrollar el trabajo final de la carrera.
Mail de los autores Marinucci, Lorenzo <lorenmarinucci@gmail.com>; Palomeque, Lucia Lourdes <lucialourdespalomeque@gmail.com> |
| author2 |
Seijas, Leticia María |
| author_facet |
Seijas, Leticia María Marinucci, Lorenzo Palomeque, Lucía Lourdes |
| format |
Thesis acceptedVersion Tesis de grado Tesis de grado |
| author |
Marinucci, Lorenzo Palomeque, Lucía Lourdes |
| author_sort |
Marinucci, Lorenzo |
| title |
Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| title_short |
Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| title_full |
Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| title_fullStr |
Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| title_full_unstemmed |
Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| title_sort |
desarrollo de un modelo predictivo de aprendizaje profundo para aproximar la potencia eléctrica de una planta fotovoltaica |
| publisher |
Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina |
| publishDate |
2024 |
| url |
http://rinfi.fi.mdp.edu.ar/handle/123456789/785 |
| work_keys_str_mv |
AT marinuccilorenzo desarrollodeunmodelopredictivodeaprendizajeprofundoparaaproximarlapotenciaelectricadeunaplantafotovoltaica AT palomequelucialourdes desarrollodeunmodelopredictivodeaprendizajeprofundoparaaproximarlapotenciaelectricadeunaplantafotovoltaica |
| _version_ |
1807948707198402560 |