Modelos de aprendizaje automático de ensamble para predecir la generación de energía eléctrica fotovoltaica basados en variables meteorológicas en la ciudad de Puno y Juliaca

• Autor: Mamani Machaca, Wilson Antony
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/19118
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/19118
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Energía fotovoltaica; Variables meteorológicas; https://purl.org/pe-repo/ocde/ford#2.02.05

Esta investigación logra obtener un prototipo de adquisición de datos mediante sensores, dispositivos embebidos y dispositivos de telecomunicaciones; el prototipo contiene lecturas de sensores que miden constantemente Temperatura, Humedad, Radiación UV e Iluminancia; estas variables mencionadas serán la data de entrada para el modelo o también llamada variables independientes, por otro lado la variable dependiente o data que se quiere calcular para su predicción posterior será la potencia del panel. El prototipo construido en esta investigación funciona correctamente teniendo automatizada la labor de recolección de datos mediante los sensores y posteriormente almacenados en un servidor mediante una base de datos. Posterior a la recolección de datos en dos puntos distintos del departamento de Puno (Puno y Juliaca) se realiza el preprocesamiento de datos limpiando la data y preparándola para ser entrenada con los modelos de ensamble. Teniendo la data limpia y preprocesada se aplicó tres modelos de ensamble los cuales fueron: Bagging, Gradient Boosting y XGBoost; cada uno de estos modelos tuvieron ajuste de hiperparametro para optimizar mucho más el proceso de aprendizaje. Luego de entrenar a los modelos con los datos se concluye que Bagging es el mejor modelo teniendo como resultado en la métrica MAE equivalente a 1.81, por otro lado, el RMSE fue de 4.44, un MSE de 19.73, la precisión del modelo con la data de entrenamiento fue de 98.52% y finalmente la precisión con la data de test alcanzo el 89.41%, el hiperparametro ajustado fue “n_estimators” con un valor igual a 500, el cual es equivalente al número de rondas de refuerzo. La investigación se llevó de forma satisfactoria teniendo un modelo optimo en base al sistema prototipo de adquisición de datos.