Predicción de la generación de energía eléctrica de un sistema fotovoltaico mediante Machine Learning en la región Puno

• Autor: Suxso Marca, Yhony
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23785
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23785
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; LSTM; Predicción de energía; Radiación solar; Sistemas fotovoltaicos; https://purl.org/pe-repo/ocde/ford#2.03.01

La predicción de la generación de energía en los sistemas fotovoltaicos es fundamental para mejorar la planificación y la gestión de los recursos energéticos, especialmente en regiones como Puno, donde la variabilidad climática puede afectar significativamente la producción de energía. El objetivo principal de esta investigación fue diseñar y entrenar un modelo basado en redes de memoria a largo plazo (LSTM) que predijera la producción de energía fotovoltaica en la región Puno, con el objetivo de evaluar la efectividad de los datos eléctricos en la predicción sin el uso de información climática adicional. Metodológicamente, se implementó un sistema de monitoreo que recolectó datos de corriente, voltaje y potencia generados por un sistema fotovoltaico, los cuales fueron preprocesados y utilizados para entrenar el modelo LSTM. El conjunto de datos se dividió en entrenamiento (80%) y prueba (20%) para validar la precisión del modelo. Las métricas de evaluación utilizadas incluyeron el coeficiente de determinación (R2), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). Los resultados mostraron que el modelo alcanzó un R2=0.90, lo que indica que el 90% de la variabilidad en la producción de energía fue correctamente explicada. Además, el RMSE fue de 5,76 W y el MAE de 3,18 W, lo que refleja un buen rendimiento en la predicción a partir de datos puramente eléctricos. Se concluye que el modelo de Machine Learning desarrollado es efectivo en la predicción de la producción de energía en sistemas fotovoltaicos sin la inclusión de variables ambientales. Sin embargo, se recomienda que en futuros estudios se incorporen datos climáticos para mejorar aún más la precisión y aplicabilidad del modelo en diferentes condiciones geográficas y climáticas.