Show simple item record

dc.rights.licenseAtribución-NoComercial 4.0 Internacional
dc.contributor.advisorCarvajal Quintero, Sandra Ximena (Thesis advisor)
dc.contributor.advisorPineda Agudelo, Jairo (Thesis advisor)
dc.contributor.authorObando Paredes, Edgar Darío
dc.date.accessioned2019-07-03T10:13:58Z
dc.date.available2019-07-03T10:13:58Z
dc.date.issued2018
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/68984
dc.description.abstractEn esta tesis de investigación se presenta el diseño de un modelo predictivo de recurso solar. Se desarrolla en etapas, hace uso de conceptos propios del tratamiento de datos históricos y sustenta su diseño en técnicas Machine Learning. Se describe el uso de gran variedad de técnicas Machine Learning en la predicción de recurso primario alrededor del mundo, se identifica sus fortalezas y retos. Luego, se sustentan criterios de selección de técnicas según su aplicación dentro de las etapas del modelo. Se elabora y muestra una síntesis del uso de estimación y predicción de recurso primario como elemento en la planeación de sistemas fotovoltaicos a corto, mediano y largo plazo. Finalmente se desarrolla el modelo y se proponen escenarios de simulación que se aplican al clima colombiano. El modelo presenta tres etapas en su diseño: agrupamiento-clasificación, estimación y respuesta. Con una revisión de la literatura para cada fase se sintetizaron las fortalezas en el tratamiento de datos y la aplicación de técnicas Machine Learning. Los criterios de selección evalúan el comportamiento de la técnica o técnicas según sea la etapa de aplicación. La escogencia de la base de datos donde se obtiene el histórico que hace de entrada al modelo pasa por ámbitos de aplicación y uso. La obtención de este modelo contribuye al desarrollo de una herramienta que aporta al proceso de planeación para la diversificación de la matriz energética colombiana, lo que hará posible que otros tipos de Fuentes No Convencionales de Energía Renovable, como la solar Fotovoltaica, sean actores en la canasta energética. Esta investigación aporta una herramienta en la estimación de potencial solar que puede usarse en la identificación de nichos geográficos específicos de desarrollo y muestra una visión de la importancia de los datos como elementos base en la toma de decisiones en planeación de fuentes de energía cuyo recurso primario es variable
dc.description.abstractAbstract: This thesis presents the design of predictive model using solar resource. It is developed in stages, makes use of own concepts of historical data processing and supports its design in Machine Learning techniques. The use of a wide variety of Machine Learning techniques in the prediction of primary resources around the world is described, their strengths and challenges are identified. Then, criteria of selection of techniques according to their application are supported within the stages of the model. A synthesis of the use of estimation and prediction of primary resource as an element in the planning of photovoltaic systems in the short, medium and long term is elaborated and shown. Finally, the model is developed and simulation scenarios are proposed that apply to the Colombian climate. The model has three stages in its design: grouping-classification, estimation and output. With a review of the literature for each phase, the strengths in data processing and the application of Machine Learning techniques were synthesized. The selection criteria evaluate the behavior of the technique or techniques according to the application stage. The choice of the database where the historical data that enters the model is obtained passes through areas of application and use. Obtaining this model contributes to the development of a tool that contributes to the planning process for the diversification of the Colombian energy matrix, which will make it possible for other types of Renewable Energy Sources, such as solar photovoltaic, to be actors in the Electrical Wholesale Market. This research provides a tool in the estimation of solar potential that can be used in the identification of specific geographic potential and this shows a vision of the importance of the data as base elements in the decision making in planning of energy resources whose primary resource is variable
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.relation.ispartofUniversidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y Computación Ingeniería Electrónica
dc.relation.ispartofIngeniería Electrónica
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/
dc.subject.ddc62 Ingeniería y operaciones afines / Engineering
dc.titleModelo de pronóstico de radiación solar basado en Machine Learning
dc.typeTrabajo de grado - Maestría
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.identifier.eprintshttp://bdigital.unal.edu.co/70361/
dc.description.degreelevelMaestría
dc.relation.referencesObando Paredes, Edgar Darío (2018) Modelo de pronóstico de radiación solar basado en Machine Learning. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalMachine learning
dc.subject.proposalPredicción
dc.subject.proposalRadiación solar
dc.subject.proposaliyiyui
dc.subject.proposalMachine learning
dc.subject.proposalPrediction
dc.subject.proposalSolar radiation
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial 4.0 InternacionalThis work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit