Modelación y predicción de la potencia generada por plantas fotovoltaicas.
| dc.contributor.advisor | Sbárbaro Hofer, Daniel | es |
| dc.contributor.author | Salgado Hernández, Andrés Ignacio | es |
| dc.date.accessioned | 2024-10-30T15:54:57Z | |
| dc.date.available | 2024-10-30T15:54:57Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al grado de Magíster en Ingeniería Eléctrica | es |
| dc.description.abstract | La integración a gran escala de fuentes de energía renovables como la solar fotovoltaica en la red eléctrica se ve dificultada por la incertidumbre asociada a su generación, especialmente por su efecto en la confiabilidad y operación económica del sistema. Para mitigar esta incertidumbre, una de las estrategias más prometedoras es la creación de pronósticos de generación, en los cuales incluso una leve mejora puede causar un alto impacto económico, dada la escala de la red. Los enfoques basados en Machine Learning se han vuelto cada vez más populares para este propósito, sobre todo en los horizontes de predicción intradía y día-adelante. Sin embargo, existe un creciente reconocimiento del valor de incorporar conocimiento basado en principios físicos para la mejora de estos modelos, el cual puede provenir de la modelación de la planta o del recurso solar. Además, es importante realizar estudios con datos propios de la zona debido a que las condiciones climáticas y geográficas locales inciden en la optimización de modelos de Machine Learning. El estudio se llevó a cabo mediante el desarrollo de modelos no-lineales autorregresivos con entradas exógenas (NARX), elegidos por su simplicidad, para la predicción de series de tiempo utilizando redes neuronales. Los modelos fueron sometidos a un proceso de selección de características en el cual se incorporó información física de modelos simples, y fueron ajustados y probados con datos de la zona centro-sur de Chile, donde la producción de energía está fuertemente ligada a las condiciones climáticas y hacen falta estudios sobre su predicción. Los resultados obtenidos muestran que la inclusión de variables de modelos físicos logra una mejora modesta de la precisión de los pronósticos en distintos horizontes de tiempo. En particular, se disminuyó la raíz del error cuadrático medio entre un 0.2% y un 0.4% de la potencia nominal con respecto a los modelos que no incluyen estas variables. Por último, se concluyó que las variables adicionales más importantes fueron los ángulos de posición solar y las temperaturas calculadas de los paneles, en el proceso de selección de características. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.description.sponsorship | Proyecto FONDAP "Solar Energy Research Center (SERC-Chile)" Nro. 1523A0006 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/6353 | |
| dc.language.iso | es | |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| dc.subject | Energía solar | es |
| dc.subject | Recursos energéticos renovables | es |
| dc.subject | Electricidad Distribución | es |
| dc.title | Modelación y predicción de la potencia generada por plantas fotovoltaicas. | es |
| dc.type | Thesis |