Predicción de la generación eléctrica de la central solar Rubí utilizando redes neuronales LSTM

• Autor: Villanueva Mejía, José Alejandro
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/5950
• Enlace del recurso: https://hdl.handle.net/11042/5950
• Nivel de acceso: acceso abierto
• Materia: Producción de energía eléctrica; Inteligencia artificial -- Aplicación; Energía fotovoltaica -- Producción; 621.31244; https://purl.org/pe-repo/ocde/ford#2.02.01

La tesis tiene por objetivo realizar la predicción de generación eléctrica de la central solar Rubí de un día, utilizando el algoritmo de redes neuronales LSTM en base a los datos meteorológicos del lugar. El estudio enfoca el algoritmo, llamado Long Short Term Memory (LSTM), el cual es usado en predicción de series de tiempo, de tal forma que se obtenga un estimado de la potencia generada a lo largo de un día de una central solar. Se seleccionó la central solar Rubí, ubicada en el departamento de Moquegua, el cual cuenta con una instalación de 560 880 módulos fotovoltaicos de 320W, con una potencia de 144,48 MW. La investigación aborda el marco teórico de la energía solar fotovoltaica y de las redes neuronales, el estado de los recursos energéticos renovables en el Perú y descripción, limpieza y análisis de los datos a ingresar al modelo de predicción, y finalmente el proceso de entrenamiento y optimización de la red neuronal de la central solar Rubí. El modelo de predicción entrega resultados precisos, obteniéndose un valor de MAE de 0.0829 y de RMSE de 0.122. Adicional a estas métricas, se realizó una comparativa de la energía total producida y de las pendientes al inicio y al final de la producción tanto de los valores reales como del modelo de predicción, llegando a tener valores de 2% referente a error porcentual de diferencia en energía y valores de 12% referente a las pendientes. De igual forma, se realizó la predicción de potencia eléctrica de siete días, ingresando los datos al set de entrenamiento de cada día posterior a su predicción, con el objetivo de ver el impacto que tiene el ingreso de datos diarios al modelo, obteniéndose como resultado que el ingreso de nuevos datos diarios no tiene un cambio en la performance del modelo.