Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica

Show simple item record

dc.contributor.advisor Seijas, Leticia María
dc.contributor.author Marinucci, Lorenzo
dc.contributor.author Palomeque, Lucía Lourdes
dc.contributor.other González, Sergio Alejandro
dc.date.accessioned 2024-02-27T12:36:06Z
dc.date.available 2024-02-27T12:36:06Z
dc.date.issued 2024-12-14
dc.identifier.uri http://rinfi.fi.mdp.edu.ar/handle/123456789/785
dc.description.abstract El presente trabajo expone el proceso de construcción de un modelo predictivo de Deep Learning, aplicado a la predicción de la potencia eléctrica generada por una planta fotovoltaica. El caso de estudio es la planta del Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE), situada en la terraza de la Facultad de Ingenierıa de la Universidad Nacional de Mar del Plata. En primer lugar, se realizo un estudio abarcativo sobre los modelos pertenecientes al estado del arte de la problemática. Luego, a trav´es de diversas etapas de experimentación, se optimizaron los modelos hasta minimizar el error predictivo. Se obtuvo una gran variedad de modelos de buena performance, entre los cuales el mejor se constituyo de una arquitectura Long Short-Term Memory (LSTM) de 3 capas ocultas. El modelo minimizo el error de porcentaje medio absoluto (MAPE) a un 9,46 % (±0,20 %), lo que representa una mejora del 6,8 % respecto a los reportados previamente por el ICyTE. A su vez, se encuentran cercanos a aquellos hallados en la literatura para ciudades con condiciones climáticas similares a Mar del Plata. Por otra parte, se llevo a cabo el proceso de desarrollo de un producto de software que permite utilizar el modelo implementado, modificar sus características y visualizar y exportar los resultados generados. Asimismo, la herramienta cuenta con las capacidades necesarias para realizar un análisis del comportamiento y las propiedades de las variables climáticas que influyen en la predicción de potencia eléctrica. Ademas de describir los procesos técnicos realizados, se incluye una reflexión acerca de las diferencias con la planificación original, los desvıos, el grado de cumplimiento de los objetivos establecidos y el aprendizaje experimentado al desarrollar el trabajo final de la carrera. Mail de los autores Marinucci, Lorenzo <lorenmarinucci@gmail.com>; Palomeque, Lucia Lourdes <lucialourdespalomeque@gmail.com> es_AR
dc.format application/pdf es_AR
dc.language.iso spa es_AR
dc.publisher Universidad Nacional de Mar del Plata. Facultad de Ingeniería. Argentina es_AR
dc.rights info:eu-repo/semantics/openAccess es_AR
dc.subject Modelo predictivo es_AR
dc.subject Deep Learning es_AR
dc.subject Aprendizaje profundo es_AR
dc.subject Energía fotovoltaica es_AR
dc.subject LSTM es_AR
dc.subject GRU es_AR
dc.subject Bi-LSTM es_AR
dc.subject Long Short-Term Memory (LSTM) es_AR
dc.title Desarrollo de un modelo predictivo de Aprendizaje Profundo para aproximar la potencia eléctrica de una planta fotovoltaica es_AR
dc.type Thesis es_AR
dc.rights.holder https://creativecommons.org/licenses/by/4.0/ es_AR
dc.type.oa info:eu-repo/semantics/bachelorThesis es_AR
dc.type.snrd info:ar-repo/semantics/tesis de grado es_AR
dc.type.info info:eu-repo/semantics/acceptedVersion es_AR
dc.description.fil Fil: Marinucci, Lorenzo. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina es_AR
dc.description.fil Fil: Palomeque, Lucía Lourdes. Universidad Nacional de Mar del Plata. Facultad de Ingeniería; Argentina es_AR


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search RINFI


Advanced Search

Browse

My Account

Statistics