Ingeniería Mecánica · 2024
Diseño de un modelo de inteligencia artificial para predecir la energía solar producida
RESUMEN : El semestre de industria fue realizado en la empresa Ceiba Software House SAS, reconocida por brindar soluciones tecnológicas en el sector energético, aportando con proyectos relacionados con la transformación del sector energético, con sede en la ciudad de Medellín. Actualmente, ha firmado contratos con empresas reconocidas a nivel nacional como EPM y XM con sistemas de planificación energética a corto y largo plazo para ofrecer un escenario energético sostenible. El sector energético depende en gran parte de las fuentes de energía no renovables, que generan un impacto negativo en el medio ambiente. Para reducir al máximo estos problemas, una de las grandes tendencias tecnológicas en los últimos años ha sido el desarrollo de nuevos métodos de generación energética enfocados en la transición hacia el uso de energías renovables que permitan reducir el impacto ambiental y crear escenarios energéticos sostenibles a largo y corto plazo. Sin embargo, uno de los grandes problemas de estas nuevas tecnologías es la dependencia que tienen con los factores climáticos del ambiente en donde están ubicadas. La disponibilidad del viento, radiación solar o precipitaciones pueden variar a lo largo del año dependiendo de su ubicación geográfica, siendo más marcado este cambio si hay estaciones climáticas en el sector donde se instalan. Esta dependencia climática condiciona la productividad de los sistemas de generación de energía renovables, siendo necesario la implementación de un análisis detallado de los patrones climáticos y ubicación de las instalaciones. Otro problema relacionado con esta transición es que la integración de estas nuevas tecnologías en los sectores de generación, transporte, industria y construcción implica una transformación en la infraestructura existente. Por tanto, se deben establecer estándares de calidad y confiabilidad para garantizar la seguridad y eficiencia de los sistemas renovables. Para garantizar estos factores de deben implementar herramientas de monitoreo y control, al igual que la capacitación y certificación de profesionales en el sector. La digitalización cumple un papel importante durante la integración de las energías renovables, gracias a que la recopilación y análisis de datos en tiempo real permite una gestión más eficiente de los recursos energéticos para facilitar el funcionamiento de los equipos generadores de energía. La inteligencia artificial y la minería de datos son herramientas clave en este sentido ya que permiten identificar patrones, predecir la generación de energía y optimizar el rendimiento de los sistemas renovables. La transición hacia las energías renovables requiere considerar factores como la variabilidad climática, integración en distintos sectores y la implementación de nuevas tecnologías digitales. Con un enfoque adecuado en estos aspectos, es posible maximizar los beneficios de las energías renovables y avanzar a un futuro más sostenible.
Texto completo 53 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Resumenp. 7
- Introducciónp. 9
- Objetivosp. 10
- Objetivo generalp. 10
- Objetivos específicosp. 10
- Marco teóricop. 11
- Metodologíap. 20
- Desarrollo del problemap. 21
- Recolección de los datosp. 21
- Preprocesamiento de los datosp. 23
- 6.2.1 División de los datos en conjuntos de entrenamientop. 23
- 6.2.2 Tratamiento de los datos:p. 24
- Selección del modelop. 26
- 6.3.1 Modelo basado en rayos solaresp. 26
- 6.3.2 Modelo basado en la nubosidad (Cloud-Based Model):p. 27
- 6.3.3 Redes neuronales recurrentes:p. 19
- Planteamiento del problemap. 30
- Funcionamiento de la red de captación de energía solarp. 34
- 7.1.1 Paneles Solaresp. 34
- 7.1.2 Reguladorp. 38
- 7.1.3 Baterías:p. 40
- 7.1.4 Inversorp. 40
- Entrenamiento de la red Neuronal:p. 41
- 7.2.1 Elección de las funciones de activación:p. 42
- 7.2.2 Funciones de activaciónp. 43
- 7.2.3 Inicialización de los pesos y valores del Bias:p. 44
- 7.2.4 Cálculo del error entre el valor predicho y el valor realp. 45
- Resultadosp. 47
- Modelo LSTM:p. 47
- Conclusionesp. 51
- Referenciasp. 52
- Energy”; Smil, “Energy Transitions: Global and National Perspectives” [original data]p. 12
- producciónp. 14
- últimos añosp. 14
- https://github.com/farhad-dalirani/PytorchReveliop. 17
- PytorchRevelio, https://github.com/farhad-dalirani/PytorchReveliop. 18
- Ilustración 7. Visualización del funcionamiento de las redes neuronales recurrentesp. 19
- Ilustración 8. Flujo del trabajo para la construcción del modelop. 21
- Ilustración 9. Área de recolección de los datos principales para el entrenamiento del modelop. 22
- Ilustración 11. Comportamiento promedio de la potencia generada en un díap. 29
- Ilustración 12. Comportamiento promedio de la radiación durante un añop. 30
- Ilustración 13. Comparación de los datos estadísticos con datos diarios y mensualesp. 31
- 2023]p. 33
- Ilustración 15. Características y dimensiones de los paneles solaresp. 35
- Ilustración 17. Características de los reguladores de energíap. 39
- Ilustración 18. Esquema ilustrativo del proceso de merge realizado en los datasetsp. 41
- Ilustración 19 Esquema del funcionamiento de un perceptrónp. 43
- Ilustración 20. Funciones de activación de la red neuronalp. 44
- Ilustración 21. Flujo matemático de operaciones entre dos neuronasp. 44
- de tiempo de un díap. 48
- Tabla 1. Descripción estadística de las características del Datasetp. 25
- Tabla 2. Tabla de correlaciones con la variable objetivop. 26
- Tabla 3. Variación en la magnitud de la radiación a lo largo del díap. 38