Diseño de algoritmos basados en técnicas de aprendizaje profundo para la predicción de energía fotovoltaica en zonas aisladas del Ecuador

En Ecuador, la generación de electricidad está cubierta principalmente por sistemas hidroeléctricos que alimentan el Sistema Nacional Interconectado (SNI). Sin embargo, algunas áreas aisladas como las Islas Galápagos no están conectadas al SNI. En este sentido, las Islas Galápagos cuentan con una biodiversidad única en el mundo. Sin embargo, sus fuentes primarias de energía se basan en el biogás obtenido a partir de combustibles fósiles, con sus negativas consecuencias a pesar del abundante recurso solar. Por ello, los sistemas de generación basados en fuentes de energía renovables (ER) como la energía fotovoltaica se convierten en una solución eficaz para el suministro de energía eléctrica a estas comunidades sin afectar negativamente a su biodiversidad. En consecuencia, la previsión de energía fotovoltaica es vital para el dimensionamiento e instalación. En este contexto, los modelos de predicción basados en técnicas de aprendizaje profundo (DL) pueden obtener un alto grado de precisión en tareas de predicción energética. Por esta razón, este trabajo presenta el desarrollo de memoria a corto plazo (LSTM), LSTM proyectado (LSTMP), LSTM bidireccional (BiLSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN) y modelos híbridos para predecir energía fotovoltaica en zonas aisladas del Ecuador. Además, se utiliza la optimización bayesiana (BO) para obtener los hiperparámetros de los modelos y reducir el costo computacional. La metodología aplicada en este trabajo demostró ser capaz de obtener modelos precisos y puede ser utilizada en otras áreas que requieren la tarea de pronóstico como requisito previo para la puesta en marcha de los sistemas fotovoltaicos

• Autor principal: Guanoluisa Pineda, Richard Daniel (author)
• Formato: bachelorThesis
• Lenguaje: spa
• Publicado: 2023
• Materias: ENERGÍA FOTOVOLTAICA; PREDICCIÓN DE ENERGÍA; REDES NEURONALES RECURRENTES; REDES NEURONALES CONVOLUCIONALES; OPTIMIZACIÓN BAYESIANA
• Acceso en línea: http://repositorio.espe.edu.ec/handle/21000/36752