|
Título:
|
Short-term solar irradiation from a sparse pyranometer network
|
|
Autores:
|
Eschenbach, Annette
|
|
Tipo de documento:
|
texto impreso
|
|
Fecha de publicación:
|
2018
|
|
Dimensiones:
|
application/pdf
|
|
Nota general:
|
cc_by_nc
info:eu-repo/semantics/openAccess
|
|
Idiomas:
|
|
|
Palabras clave:
|
Estado = No publicado
,
Materia = Ciencias: Informática
,
Tipo = Trabajo Fin de Grado
|
|
Resumen:
|
La predicción precisa de la radiación solar es necesaria para estimar correctamente la producción de energía de los sistemas solares fotovoltaicos y su integración en la red eléctrica. Este trabajo explora hasta qué punto las técnicas de Machine Learning pueden ser utilizadas para resolver este problema. La meta es predecir la radiación a corto plazo para un objetivo con varios horizontes de predicción. El objeto de las predicciones es una de las 22 estaciones de redes de piranómetros difusos con observaciones de muestra de resolución 30’. Se analizan las prestaciones y limitaciones de un modelo de Support Vector Machine simple y dos conjuntos de métodos de aprendizaje más sofisticados – Random Forest Regression y Gradient Boosting. Se muestra que todos ellos funcionan bien en condiciones climáticas constantes pero no realizan pronósticos fiables durante días en que las condiciones climáticas cambian rápidamente. Una selección inteligente de funciones es útil para hacer que el modelo sea más eficiente y rápido sin necesariamente mejorar significativamente la fiabilidad de los resultados. Con modelos agregados para escenarios específicos, se debe prestar atención a seguir algunas reglas para no aumentar innecesariamente la complejidad del modelo a expensas de la generalización de nuevos datos. Los modelos de entrenamiento en pequeñas cantidades de datos preseleccionados pueden causar sobreajuste o overfitting.
|
|
En línea:
|
https://eprints.ucm.es/id/eprint/48885/1/125.pdf
|
