Mostrar el registro sencillo del documento
Análisis del recurso solar mediante modelos de predicción de corto plazo en la sabana de Bogotá
dc.rights.license | Atribución-NoComercial 4.0 Internacional |
dc.contributor.advisor | Rosero García, Javier |
dc.contributor.author | Villarreal Mesa, Omar Andrés |
dc.date.accessioned | 2020-07-17T20:12:43Z |
dc.date.available | 2020-07-17T20:12:43Z |
dc.date.issued | 2020-02-14 |
dc.identifier.citation | Villarreal O., Análisis de la irradiación solar mediante modelos de predicción de corto plazo en la sabana de Bogotá, Facultad de Ingeniería, Universidad Nacional de Colombia, 2020 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/77790 |
dc.description.abstract | En las últimas décadas debido al cambio climático, se han incrementado los esfuerzos para la reducción del uso de combustibles fósiles y las emisiones de gases de efecto invernadero. Las fuentes renovables de energía han incrementado su participación en la matriz de generación de energía eléctrica, impulsadas por una reducción sensible de los costos de instalación y operación gracias a los nuevos desarrollos tecnológicos. No obstante, estas fuentes presentan grandes retos para su integración en las redes eléctricas, particularmente por ser consideradas como fuentes no gestionables por su naturaleza variable. En este trabajo se implementa una metodología de predicción para generar pronósticos a corto plazo (predicción para el día siguiente) de la irradiación solar promedio horaria en superficie. El método de predicción se construye y valida con información de estaciones meteorológicas de la Red de Monitoreo de Calidad del Aire de la Secretaría de Ambiente de Bogotá. La precisión del modelo fue evaluada a través del error medio cuadrático (RMSE) y el error medio absoluto (MAE). |
dc.description.abstract | In recent years due to the emergence of climate change problem efforts have been increased to reduce fossil fuel consumption and greenhouse gasses emissions. Renewable energy sources have increased their participation in the electric power generation matrix, driven by a significant reduction in installation and operating costs through to new technological developments. However, these sources have great challenges for its integration into electricity grids, particularly since they are considered as non-manageable sources because of their variable nature. In this work a prediction methodology is implemented to generate short-term forecasts (day ahead predictions) of hourly average solar irradiation at surface. The forecasting method is built and validated with information from meteorological station of the Red de Monitoreo de Calidad del Aire de Bogotá. The precision of the model was evaluated through the root mean square error (RMSE) and mean absolute error (MAE). |
dc.format.extent | 100 |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.rights | Derechos reservados - Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ |
dc.subject.ddc | 660 - Ingeniería química::662 - Tecnología de explosivos, combustibles, productos relacionados |
dc.title | Análisis del recurso solar mediante modelos de predicción de corto plazo en la sabana de Bogotá |
dc.type | Otro |
dc.rights.spa | Acceso abierto |
dc.description.additional | Línea de Investigación: Energías renovables. |
dc.type.driver | info:eu-repo/semantics/other |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Mecánica |
dc.contributor.researchgroup | Electrical Machines y Drives, EMyD |
dc.description.degreelevel | Maestría |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Bogotá |
dc.relation.references | [1] World Wildlife Foundation, «The effects of climate change,» WWF, 2018. [En línea]. Available: https://www.wwf.org.uk/effectsofclimatechange. [Último acceso: 2018 28 03]. |
dc.relation.references | [2] F. H. Cocks, Energy demand and climate change, issues and resolutions, Hong Kong: Wiley-VCH, 2009. |
dc.relation.references | [3] BP, «Statistical Review of World Energy 2017,» Workbook, London, 2017. |
dc.relation.references | [4] H. R. Murcia, «Desarrollo de la energía solar en Colombia y sus perspectivas,» Revista de Ingeniería, Universidad de los Andes, p. 9, 2008. |
dc.relation.references | [5] I. P. o. C. C. IPCC Special Reports Emission Scenarios, WMO UNEP, 2000. |
dc.relation.references | [6] Ministerio de Ambiente y Desarrollo Sostenible, «El ABC de los compromisos de Colombia para la COP21,» WWF-Colombia, p. 17, 2015. |
dc.relation.references | [7] E. García , A. Corredor , L. Calderón y M. Gomez, Análisis Costo Beneficio de Energías Renovables no Convencionales en Colombia, Bogotá: Fedesarrollo, 2013. |
dc.relation.references | [8] L. Gomez, Análisis de la viablidad técnica y financiera de la generación de energía eléctrica a partir del recurso eólico en el municipio de Pereira, Medellín: Universidad EAFIT, 2015. |
dc.relation.references | [9] UPME, Unidad de Planeación Minero Energética, Integración de las energías renovables no convencionales en Colombia, Bogotá: Ministerio de Minas y Energía, 2015. |
dc.relation.references | [10] UPME, Plan de Expansión Eléctrica 2006-2020, Bogotá: Unidad de Planeación Minero Energética, 2006. |
dc.relation.references | [11] C. d. l. R. d. Colombia, Ley 143 de 1994, Bogotá: Congreso de la República de Colombia, 1994. |
dc.relation.references | [12] D. C. Corzo, ANÁLISIS DEL SECTOR DE ENERGÍA ELÉCTRICA COLOMBIANO Y REGIONAL, Bogotá: UNIVERSIDAD COLEGIO MAYOR DE NUESTRA SEÑORA DEL ROSARIO, 2013. |
dc.relation.references | [13] Comisión de Regulación de Energía y Gas, Resolución 140 de 2009, Bogotá: Ministerio de Minas y Energía, 2009. |
dc.relation.references | [14] B. Sorensen, Renewable Energy, London: Elsevier, 2004. |
dc.relation.references | [15] World Energy Council, World Energy Resources: Solar, New York: World Energy Council, 2013. |
dc.relation.references | [16] A. Goetzberger y V. U. Hoffmann, Photovoltaic solar energy generation, Springer, 2005. |
dc.relation.references | [17] S. Kalogirou, Solar energy engineering : processes and system, Burlington: Elsevier Inc, 2009. |
dc.relation.references | [18] F. Kreith y Y. Goswami, Handbook of Energy and Renewable Energy, CRC Press, 2007. |
dc.relation.references | [19] Unidad de Planeación Minero Energética - UPME, FORMULACIÓN DE UN PLAN DE DESARROLLO PARA LAS FUENTES NO CONVENCIONALES DE ENERGÍA EN COLOMBIA (PDFNCE), Bogotá: UPME, 2010. |
dc.relation.references | [20] S. Cortés y A. Arango Londoño, «Energías renovables en Colombia: una aproximación desde la economía,» Revista Ciencias Estratégicas, vol. 25, nº 38, pp. 375-390, 2017. |
dc.relation.references | [21] S. Hoyos, C. J. Franco y I. Dyner, «Integración de las fuentes no convencionales de energía renovable al mercado eléctrico y su impacto sobre el precio,» Ingeniería y Ciencia, vol. 13, nº 26, pp. 115-146, 2017. |
dc.relation.references | [22] O. Duarte y J. García Rendón, «Estimación del precio marginal del sistema eléctrico colombiano: una mirada desde la organización industrial,» Ecos de economía, vol. 19, nº 41, 2015. |
dc.relation.references | [23] O. Perpiñan Lamigueiro, Energía solar fotovoltaica, Creative Commons, 2018. |
dc.relation.references | [24] J. Kleissl, Solar Energy Forecasting and Resource Assessment, Waltham, USA: Elsevier, 2013. |
dc.relation.references | [25] J. Insunza, Meteorología Descriptiva, Concepción, Chile: Universidad de Concepción, Departamento de Física de la Atmósfera y del Oceáno, 2018. |
dc.relation.references | [26] M. Pidwirny, Fundamentals of Physical Geography, Okanagan: British Columbia Okanagan, 2014. |
dc.relation.references | [27] IDEAM, Atlas de la Radiación Solar de Colombia, Bogotá: Instituto de Hidrología, Meteorología y Estudios Ambientales, 2005. |
dc.relation.references | [28] D. Masa Bote, Contribución a la integración de sistemas fotovoltaicos a la red eléctrica: recurso solar y predicción de generación, Madrid: Escuela Técnica Superior de Ingenieros de Telecomunicación - Universidad Politécnica de Madrid, 2014. |
dc.relation.references | [29] D. I. Chaturvedi y Isha, «Solar Power Forecasting: A Review,» International Journal of Computer Applications, vol. 145, nº 6, pp. 28-50, 2016. |
dc.relation.references | [30] J. Du, M. Qilong, Z. Penglin, G. Jinhui, Y. Jun y Y. Bangshen, «Shor Term Solar Irradiance Forecasts Using Sky Images and Radiative Transfer Models,» Energies, vol. 11, nº 1107, 2018. |
dc.relation.references | [31] H. Seung Yang, K. Yeol Bae, H.-S. Park y D. Keun Sung, «Solar Power Prediction Based on Satellite Images and Support Vector Machine,» IEEE Transactions on Sustainable Energy, vol. 7, nº 3, pp. 1255-1263, 2016. |
dc.relation.references | [32] G. Kariniotakis, Renewable Energy Forecasting, Duxford, United Kingdom: Woodhead Publising, 2017. |
dc.relation.references | [33] F. Lopes, H. Silva , R. Salgado , A. Cavaco, P. Canhoto y M. Collares-Pereira, «Short-term forecasts of GHI and DNI for solar energy systems operation: assessment of the ECMWF integrated forecasting system in southern Portugal,» Solar Energy, vol. 170, pp. 14-30, 2018, August. |
dc.relation.references | [34] H. Yang, B. Kurtz, A. Nguyen, C. W. Chow, M. Ghonima y J. Kleissl, «Solar irradiance forecasting using a ground-based sky imager developed at UC San Diego,» Energy Procedia, vol. 49, pp. 2340-2350, 2014. |
dc.relation.references | [35] T. Tomkins Warner, Numerical Weather and Climate Prediction, Cambridge, England: Cambridge University Press, 2011. |
dc.relation.references | [36] J. Coiffier, Fundamentals of Numerical Weather Prediction, Cambridge, United Kingdom: Cambridge University Press, 2011. |
dc.relation.references | [37] T. Tomkins Warner, Numerical Weather and Climate Prediction, Cambridge, United Kingdom: Cambridge University Press, 2011. |
dc.relation.references | [38] N. O. a. A. Administratrion, «National Centers for Environmental Information,» NOAA, 2019. [En línea]. Available: https://www.ncdc.noaa.gov/data-access/model-data/model-datasets/numerical-weather-prediction. [Último acceso: 10th February 2019]. |
dc.relation.references | [39] T. Schreiber, «Interdisciplinary application of nonlinear time series methods,» Physics Reports, vol. 308, pp. 1-64, 1999. |
dc.relation.references | [40] L. M. Pomares, Análisis y predicción de series temporales de irradiancia solar global mediante modelos estadísticos, Madrid: Universidad Complutense de Madrid, 2012. |
dc.relation.references | [41] R. Inman, H. T. C. y C. F. Coimbra, «Solar forecasting methods for renewable energy integration,» Progress in Energy and Combustion Science, vol. 39, pp. 535-576, 2013. |
dc.relation.references | [42] R. Perez, Wind Field and Solar Radiation Characterization and Forecasting, New York: Springer International Publishing, 2018. |
dc.relation.references | [43] M. P. Gonzalez Casimiro, Análisis de series temporales - Modelos ARIMA, Bilbao, España: Universidad del País Vasco, 2009. |
dc.relation.references | [44] R. R. Shumway y D. Stoffer, Time Series Analysis and its Applications with R Examples, 2017: SpringerLink, 1999. |
dc.relation.references | [45] A. R. Valdez Alvarado, Introducción al machine learning, La Paz, Bolivia: Facultad de Ciencias Puras y Naturales - Universidad Mayor de San Andrés, 2018. |
dc.relation.references | [46] P. Isasi Vifiuela y I. Galván León, Redes de Neuronas Artificiales: Un Enfoque Práctico, Madrid, España: Pearson Prentice Hall, 2004. |
dc.relation.references | [47] B. Martín del Brio y A. Sanz Molina, Redes Neuronales y Sistemas Difusos, Madrid, España: RA-MA, 2006. |
dc.relation.references | [48] M. Alsharif, M. Younes y J. Kim, «Time Series ARIMA Model for Prediction of Daily and Monthly Average Global Solar Radiation: The Case of Study of Seoul, Soth Korea,» Symmetry, vol. 11, nº 240, 2019. |
dc.relation.references | [49] V. Prema y K. Uma Rao, «Development of statistical time series models for solar power prediction,» Renewable Energy, vol. 83, pp. 100-109, 2014. |
dc.relation.references | [50] J. Rosero, Á. Zambrano y Ó. Duarte, «Implementation of an Energy Demand Forecasting Model under a Smart Grids Environment,» de 2018 IEEE PES Transmission & Distribution Conference and Exhibition - Latin America (T&D-LA), Lima, Perú, 2018. |
dc.relation.references | [51] E. G. Kardakos, M. C. Alexiadis, C. K. Vagropoulus, P. N. Simoglu, A. G. Biskas y A. G. Bakiris, «Application of Time Series and Artificial Neural Network Models in Short Term Forecasting of PV Generation,» 48th International Universities' Power Engineering Conference (UPEC), vol. Dublin, pp. 1-6, 2013. |
dc.relation.references | [52] S. Ghimire, C. D. Ravinesh, N. Downs y N. Raj, «Global solar radiation prediction by ANN integrated with European Centre for medium range weather forecast fields in solar rich cities of Queensland Australia,» Journal of Cleaner Production, vol. 216, pp. 288-310, 2019. |
dc.relation.references | [53] T. Khatib, M. Azad, S. K. y M. M., «Solar Energy Prediction for Malaysia Using Artificial Neural Networks,» International Journal of Photoenergy, vol. Tomo 2012, 2012. |
dc.relation.references | [54] A. Yadap Pratap y L. Behera, «Solar Radiation forecasting using neural networks and Wavelet Transform,» IFAC Proceedings Volumes, vol. 47, nº 1, pp. 890-896, 2014. |
dc.relation.references | [55] H. K. Yadav, Y. Pal y M. M. Tripathi, «Short-Term PV Power Forecasting Using Adaptative Neuro-Fuzzy Inference System,» de IEEE 8th Power India International Conference (PIICON), India, 2018. |
dc.relation.references | [56] M. Z. Hassan, K. M. E. Ali, A. Shawkat Ali y J. Kumar, «Forecasting Day-ahead Solar Radiation Using Machine Learning Approach,» 4th Asia-Pacific World Congress on Computer Science and Engineering, pp. 252-258, 2017. |
dc.relation.references | [57] R. Righini, «EMPLEO DE IMÁGENES SATELITALES GOES 8 EN EL CÁLCULO DE LA IRRADIACIÓN SOLAR GLOBAL EN DISTINTAS ZONAS DE ARGENTINA,» ASADES, vol. 8, nº 2, pp. 11.01-11.06, 2004. |
dc.relation.references | [58] R. Perez, K. Moore, S. Wilcox, D. Reneé y A. Zelenka, «Forecasting solar radiation – Preliminary evaluation of an approach based upon the national forecast database,» Solar Energy, vol. 81, nº 6, pp. 809-812, 2007. |
dc.relation.references | [59] M. Caldas y R. Alonso-Suárez , «Very short-term solar irradiance forecast using all-sky imaging and real-time irradiance measurements,» Renewable Energy, 2019. |
dc.relation.references | [60] A. H. Murphy, «Skill scores based on the mean square error and their relationships to the correlation coefficient,» Monthly weather review, vol. 116, nº 12, p. 2417–2424, 1988. |
dc.relation.references | [61] Red de Monitoreo de Calidad del Aire de Bogotá, «Secretaría distrital de Ambiente,» 2013. [En línea]. Available: http://ambientebogota.gov.co/red-de-calidad-del-aire. [Último acceso: 29 Septiembre 2019]. |
dc.relation.references | [62] Red de Monitoreo de Calidad del Aire de Bogotá, «Estacions RMCAB,» Secretaría de Ambiente Distrital, 2013. [En línea]. Available: http://ambientebogota.gov.co/estaciones-rmcab#. [Último acceso: 2 Octubre 2019]. |
dc.relation.references | [63] W. Alpha, «Box-and-Whisker Plot,» 2019. [En línea]. Available: http://mathworld.wolfram.com/Box-and-WhiskerPlot.html. [Último acceso: 4 octubre 2019]. |
dc.relation.references | [64] G. E. P. Box y G. Jenkins, Time Series Analyisis: Forecasting and Control, San Francisco CA: Holden-Day, 1976. |
dc.relation.references | [65] Q. M. S. (QMS), «Dick and Fulley Test,» EViews 11, 1994. |
dc.relation.references | [66] Minitab, «Interpret the partial autocorrelation function (PACF),» 29 10 2019. [En línea]. Available: https://support.minitab.com/en-us/minitab/19/help-and-how-to/modeling-statistics/time-series/how-to/partial-autocorrelation/interpret-the-results/partial-autocorrelation-function-pacf/. [Último acceso: 29 10 2019]. |
dc.relation.references | [67] R. Hyndman y G. Athanasopoulos, Forecasting: Principles and Practice, Sidney: OTexts, 2018. |
dc.relation.references | [68] Aggarwal y C. Charu, Neural Networks and Deep Learning, Springer, 2018. |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.proposal | Irradiación solar |
dc.subject.proposal | solar irradiation |
dc.subject.proposal | forecasting methods |
dc.subject.proposal | predicción de la oferta |
dc.subject.proposal | series de tiempo |
dc.subject.proposal | time series |
dc.subject.proposal | redes neuronales |
dc.subject.proposal | neural networks |
dc.subject.proposal | energía solar fotovoltaica |
dc.subject.proposal | solar photovoltaic energy |
dc.type.coar | http://purl.org/coar/resource_type/c_1843 |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-NoComercial 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)