Machine learning aplicado a la estimación de la radiación solar

Mostrar todas las versiones(2)

En este trabajo, 756 modelos diferentes de RNA para la estimación de la radiación solar diaria fueron analizados, variando parámetros tales como el optimizador, la función de activación, la cantidad de neuronas en la capa oculta y la tasa de aprendizaje. Para el entrenamiento y validación de los mod...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Olivera, Lucas Maximiliano
Formato: info:eu-repo/semantics/other info:ar-repo/semantics/otro No informada
Lenguaje:Español
Publicado: Universidad Nacional Arturo Jauretche 2019
Materias:
PROGRAMACIÓN INFORMÁTICA
INTELIGENCIA ARTIFICIAL
RADIACION SOLAR
Acceso en línea:https://rid.unaj.edu.ar/handle/123456789/2448
Aporte de:
Repositorio Institucional de Acceso Abierto (RID UNAJ) de Universidad Nacional Arturo Jauretche
id I76-R191-123456789-2448
record_format dspace
spelling I76-R191-123456789-24482024-06-26T19:01:50Z Machine learning aplicado a la estimación de la radiación solar Olivera, Lucas Maximiliano PROGRAMACIÓN INFORMÁTICA INTELIGENCIA ARTIFICIAL RADIACION SOLAR En este trabajo, 756 modelos diferentes de RNA para la estimación de la radiación solar diaria fueron analizados, variando parámetros tales como el optimizador, la función de activación, la cantidad de neuronas en la capa oculta y la tasa de aprendizaje. Para el entrenamiento y validación de los modelos fueron utilizados parámetros meteorológicos históricos conocidos de manera real y confiable, provenientes de tres estaciones meteorológicas ubicadas en la provincia de Buenos Aires. El mejor modelo obtenido, que estima el valor de salida con el mínimo error, correspondió al optimizador del descenso de gradiente estocástico (SGD), la función de activación Tangente Hiperbólica, con 44 neuronas en la capa oculta, y considerando un valor de tasa de aprendizaje de 0.001. Este modelo presenta valores de RMSE y de coeficiente de determinación de 29.13 W/m2 y 0.91, respectivamente, valores comparables con resultados presentados en artículos científicos internacionales para el mismo optimizador SGD. La importancia de este estudio radica en el hecho que no siempre es posible contar con datos experimentales de la radiación solar en los lugares de interés, y su conocimiento preciso es un factor clave en numerosas aplicaciones, entre ellas, en los sistemas fotovoltaicos y fototérmicos, en actividades agropecuarias, en la ecología, en la hidrología y en el diseño arquitectónico, entre otras. 2019 info:eu-repo/semantics/other info:ar-repo/semantics/otro No informada https://rid.unaj.edu.ar/handle/123456789/2448 spa info:eu-repo/semantics/altIdentifier/url/biblioarchivo.unaj.edu.ar/mostrar/pdf/scvsdf/erwe/fb8fe29b00f999c74fe0f966c032dff9c5a986d7 info:eu-repo/semantics/openAccess info:ar-repo/semantics/Acceso abierto https://creativecommons.org/licenses/by-nc/4.0/ application/pdf Universidad Nacional Arturo Jauretche
institution Universidad Nacional Arturo Jauretche
institution_str I-76
repository_str R-191
collection Repositorio Institucional de Acceso Abierto (RID UNAJ)
language Español
orig_language_str_mv spa
topic PROGRAMACIÓN INFORMÁTICA
INTELIGENCIA ARTIFICIAL
RADIACION SOLAR
spellingShingle PROGRAMACIÓN INFORMÁTICA
INTELIGENCIA ARTIFICIAL
RADIACION SOLAR
Olivera, Lucas Maximiliano
Machine learning aplicado a la estimación de la radiación solar
topic_facet PROGRAMACIÓN INFORMÁTICA
INTELIGENCIA ARTIFICIAL
RADIACION SOLAR
description En este trabajo, 756 modelos diferentes de RNA para la estimación de la radiación solar diaria fueron analizados, variando parámetros tales como el optimizador, la función de activación, la cantidad de neuronas en la capa oculta y la tasa de aprendizaje. Para el entrenamiento y validación de los modelos fueron utilizados parámetros meteorológicos históricos conocidos de manera real y confiable, provenientes de tres estaciones meteorológicas ubicadas en la provincia de Buenos Aires. El mejor modelo obtenido, que estima el valor de salida con el mínimo error, correspondió al optimizador del descenso de gradiente estocástico (SGD), la función de activación Tangente Hiperbólica, con 44 neuronas en la capa oculta, y considerando un valor de tasa de aprendizaje de 0.001. Este modelo presenta valores de RMSE y de coeficiente de determinación de 29.13 W/m2 y 0.91, respectivamente, valores comparables con resultados presentados en artículos científicos internacionales para el mismo optimizador SGD. La importancia de este estudio radica en el hecho que no siempre es posible contar con datos experimentales de la radiación solar en los lugares de interés, y su conocimiento preciso es un factor clave en numerosas aplicaciones, entre ellas, en los sistemas fotovoltaicos y fototérmicos, en actividades agropecuarias, en la ecología, en la hidrología y en el diseño arquitectónico, entre otras.
format info:eu-repo/semantics/other
info:ar-repo/semantics/otro
No informada
author Olivera, Lucas Maximiliano
author_facet Olivera, Lucas Maximiliano
author_sort Olivera, Lucas Maximiliano
title Machine learning aplicado a la estimación de la radiación solar
title_short Machine learning aplicado a la estimación de la radiación solar
title_full Machine learning aplicado a la estimación de la radiación solar
title_fullStr Machine learning aplicado a la estimación de la radiación solar
title_full_unstemmed Machine learning aplicado a la estimación de la radiación solar
title_sort machine learning aplicado a la estimación de la radiación solar
publisher Universidad Nacional Arturo Jauretche
publishDate 2019
url https://rid.unaj.edu.ar/handle/123456789/2448
work_keys_str_mv AT oliveralucasmaximiliano machinelearningaplicadoalaestimaciondelaradiacionsolar
_version_ 1830774215803928576

Ejemplares similares