Herramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombia

Vista sencilla de ítem
dc.contributor.advisorMendoza Castellanos, Luis Sebastiánspa
dc.contributor.advisorArizmendi Pereira, Carlos Juliospa
dc.contributor.advisorNoguera Galindo, Ana Lisbethspa
dc.contributor.authorOchoa Buitrago, Harold Oswaldospa
dc.contributor.authorRamírez León, Fabian Yesidspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000115302*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=S5TZbi8AAAAJ*
dc.contributor.orcidhttps://orcid.org/0000-0001-8263-2551*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Sebastian_Mendoza6*
dc.contributor.scopushttps://www.scopus.com/authid/detail.uri?authorId=57193169160*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2020-12-15T15:20:52Z
dc.date.available2020-12-15T15:20:52Z
dc.date.issued2020-09
dc.degree.nameIngeniero en Energíaspa
dc.description.abstractEn este proyecto se desarrolló una herramienta que consta de una Red Neuronal Artificial (RNA) que brinda apoyo en el dimensionamiento y proyección de los sistemas fotovoltaicos. Esto fue realizado, mediante una estimación de la configuración eléctrica de algunos proyectos registrados ante la UPME y los datos de ingeniería de detalle que se documentan en la Agencia Nacional de Licencias Ambientales (ANLA). Para la propuesta se implementó una técnica de inteligencia artificial, aprendizaje de máquina supervisado. Para esto, fue implementada una variación del algoritmo K vecinos cercanos, por medio de la función FSCNCA por sus siglas en inglés “Feature Selection for Classification using Neighborhood Component Analysis”. Se usó la técnica de redes neuronales que permitieron el dimensionamiento, diseño y clasificación de los proyectos solares fotovoltaicos. Adicionalmente se implementó un árbol de decisión, que permitió seleccionar más aproximadas a los requerimientos área, potencia de diseño y presupuesto destinado a paneles e inversores.spa
dc.description.abstractenglishIn this project, a tool was developed that consists of an Artificial Neural Network (ANN) that provides support in the dimensioning and projection of photovoltaic systems. This was done by estimating the electrical configuration of some projects registered with the UPME and detailed engineering data that is documented in the National Environmental Licensing Agency (ANLA). For the proposal, an artificial intelligence technique, supervised machine learning, was implemented. For this, a variation of the K near neighbors algorithm was implemented, by means of the FSCNCA function for its acronym in English “Feature Selection for Classification using Neighborhood Component Analysis”. The neural network technique was used that allowed the dimensioning, design and classification of photovoltaic solar projects. Additionally, a decision tree was implemented, which made it possible to select the most approximate requirements for area, design power and budget for panels and inverters.eng
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsIntroducción ........................................................................................................... 3 1. Aspectos generales del proyecto .................................................................... 4 1.1 Planteamiento del problema ...................................................................... 4 1.2 Objetivo principal....................................................................................... 5 1.3 Objetivos específicos ................................................................................ 5 1.4 Alcances ................................................................................................... 5 1.5 Limitaciones .............................................................................................. 5 1.6 Justificación .............................................................................................. 6 2. Marco referencial ............................................................................................ 7 2.1 Antecedentes ............................................................................................ 7 2.2 Marco teórico. ........................................................................................... 8 Movimiento aparente del sol ............................................................... 8 Sistemas fotovoltaicos ........................................................................ 9 Sistemas fotovoltaicos conectados a la red ...................................... 10 Dimensionamiento de sistemas fotovoltaicos conectados a la red .... 10 Inteligencia artificial .......................................................................... 14 Tratamiento de datos ........................................................................ 16 Selección de características ............................................................. 19 Generación de datos ........................................................................ 22 Aprendizaje de maquina ................................................................... 24 Algoritmos de aprendizaje supervisado ......................................... 24 3. Metodología. ................................................................................................. 34 4. Recolección de datos .................................................................................... 34 4.1 Desarrollo de la herramienta auxiliar ....................................................... 35 4.2 Tratamiento de datos .............................................................................. 37 Visualización de datos ...................................................................... 37 Limpieza de datos ............................................................................ 40 Imputación de datos utilizando interpolación lineal ........................... 40 5. Selección de características.......................................................................... 42 Selección de características para clasificación ................................. 43 Generación de datos sintéticos ......................................................... 46 II Selección de características para la regresión .................................. 47 6. Redes neuronales ......................................................................................... 54 Redes neuronales para clasificación ................................................ 55 Redes neuronales para regresión ..................................................... 58 7. Resultados .................................................................................................... 62 7.1 Base de datos de los proyectos .............................................................. 62 7.2 Variables más relevantes para la clasificación ........................................ 63 7.3 Variables más relevantes para la regresión............................................. 64 7.4 Arquitecturas seleccionadas ................................................................... 65 7.5 Herramienta ............................................................................................ 67 7.6 Ensayo de la herramienta ....................................................................... 68 8. Conclusiones ................................................................................................ 69 9. Recomendaciones ........................................................................................ 70 10. Biografía ..................................................................................................... 71 Anexo A : Datos recolectados de la ANLA ...................................................... 75 Anexo B : Tabla de dimensionamiento de la herramienta auxiliar ................... 77 Anexo C : Explicación del script del proceso ................................................... 81spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/11930
dc.language.isospaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería en Energíaspa
dc.relation.references[1] UPME, “Circular Externa No 046-2019,” 2019.spa
dc.relation.references[2] “Microsoft Power B .” [ nline]. Available: https://app.powerbi.com/view?r=eyJrIjoiNzBhN2Q4YmMtN2IxMy00Mjg2LWJhZTctMjRkNWE2NDdlMzI0IiwidCI6IjgxNTAwZjZkLWJjZTktNDgzNC1iNDQ2LTc0YjVmYjljZjEwZSIsImMiOjh9. [Accessed: 15-Jun-2020].spa
dc.relation.references[3] “PV Performance Modeling Collaborative | PV_ B Toolbox,” PV Lib, 2018. [Online]. Available: https://pvpmc.sandia.gov/applications/pv_lib-toolbox/. [Accessed: 02-Jun-2020].spa
dc.relation.references[4] A. Mellita and M. Benghanem, “Sizing of stand-alone photovoltaic systems using neural network adaptive model,” Desalination, vol. 209, no. 1-3 SPEC. ISS., pp. 64–72, 2007, doi: 10.1016/j.desal.2007.04.010spa
dc.relation.references[5] L. ontoria, J. Aguilera, and P. Zufiria, “A new approach for sizing stand alone photovoltaic systems based in neural networks,” Sol. Energy, vol. 78, no. 2, pp. 313–319, 2005, doi: 10.1016/j.solener.2004.08.018.spa
dc.relation.references[6] M. H. Alomari, J. Adeeb, and O. Younis, “Solar photovoltaic power forecasting in Jordan using artificial neural networks,” Int. J. Electr. Comput. Eng., vol. 8, no. 1, pp. 497–504, 2018, doi: 10.11591/ijece.v8i1.pp497-504spa
dc.relation.references[7] A. K. Yadav and S. S. Chandel, “Solar radiation prediction using Artificial Neural Network techniques: A review,” Renew. Sustain. Energy Rev., vol. 33, pp. 772–781, 2014, doi: 10.1016/j.rser.2013.08.055.spa
dc.relation.references[8] F. Rodríguez, A. Fleetwood, A. Galarza, and L. Fontán, “Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control,” Renew. Energy, vol. 126, pp. 855–864, 2018, doi: 10.1016/j.renene.2018.03.070spa
dc.relation.references[9] X. Luo et al., Solar water heating system. 2018spa
dc.relation.references[10] R. D. Prasad and R. C. Bansal, “Photovoltaic systems,” Handb. Renew. Energy Technol., pp. 205–224, 2011, doi: 10.1142/9789814289078_0009spa
dc.relation.references[11] M. C. MER N , “Escuela Técnica Superior de ngeniería del Diseño Grado en Ingeniería Electrónica Industrial y Automática,” 2019spa
dc.relation.references[12] meteorología y estudios ambientales (IDEAM) Instituto de hidrología, “ RRAD AC ÓN G BA R Z NTA MED D AR ANUA ,” 2014. [Online]. Available: http://atlas.ideam.gov.co/basefiles/RadiacionSolar13.pdf. [Accessed: 03-Jun-2020].spa
dc.relation.references[13] Subdirección de Meteorología and DEAM, “Clasificaciones Climaticas Colombia,” 05-Jun-2020. [Online]. Available: http://www.ideam.gov.co/documents/21021/418894/Clasificaciones+Climáticas.pdf/15d8c5c8-a850-43f9-a954-2ce98d927f98. [Accessed: 04-Jul-2020].spa
dc.relation.references[14] K. A. ERNÁNDEZ and J. S. CARR CRUZ, “ANÁ S S DE A CURVA DE DEMANDA ELÉCTRICA PARA USUARIOS RESIDENCIALES ESTRATO 4 EN LA CIUDAD DE BOGOTÁ ANTE DIFERENTES ESCENARIOS DE LOS ÁB T S DE C NSUM ,” Univ. Dist. Fr. JOSÉ CALDAS, vol. 01, pp. 1–163, 2017.spa
dc.relation.references[15] O. Perpiñan Lamigueiro, E S Fotovoltaica. 2012.spa
dc.relation.references[16] A. Smets, K. Jäger, O. Isabella, R. A. C. M. M. Van Swaaij, and M. Zeman, Solar Energy - The physics and engineering of photovoltaic conversion, technologies and systems. 2016.spa
dc.relation.references[17] E. M. Knowles, Oxford Dictionary of Phrase and Fable. Oxford University Press, 2005spa
dc.relation.references[18] S. Rusell and P. Norvig, Inteligencia Artificial. Un Enfoque Moderno. 2004.spa
dc.relation.references[19] V. Novák, . Perfilieva, and J. Močkoř, Mathematical Principles of Fuzzy Logic, no. January. 1999spa
dc.relation.references[20] F. Behrooz, N. Mariun, M. H. Marhaban, M. A. M. Radzi, and A. R. Ramli, “Review of control techniques for VAC systems-nonlinearity approaches based on fuzzy cognitive maps,” Energies, vol. 11, no. 3, 2018, doi: 10.3390/en11030495spa
dc.relation.references[21] B. G. BUC ANAN, “Expert systems: working systems and the research literature,” Expert Syst., vol. 3, no. 1, pp. 32–50, 1986, doi: 10.1111/j.1468-0394.1986.tb00192.x.spa
dc.relation.references[22] D. uttenlocher, “Computer vision,” Comput. Sci. Handbook, Second Ed., pp. 43-1-43–23, 2004, doi: 10.4324/9780429042522-10.spa
dc.relation.references[23] E. Gharibkhani and R. C. Akdeniz, “Advantages and Disadvantages of Machine Vision Applications for Automatic Sorting of Aflatoxin Contaminated Dried Figs,” vol. 10, pp. 7–10, 2014.spa
dc.relation.references[24] A. Cortez, H. Vega, and J. Pariona, “Procesamiento de lenguaje natural robusto,” Prim. encuentro Grup. Investig. sobre Proces. del Leng., vol. 2013, no. 3, p. 147, 2011.spa
dc.relation.references[25] A. Geron, Hands-On Machine Learing With Scikit-Learn & Tensor Flow. ’Reilly Media, 2017spa
dc.relation.references[26] T. Yang, Q. Zhao, X. Wang, and Q. Zhou, “Sub-pixel chessboard corner localization for camera calibration and pose estimation,” Appl. Sci., vol. 8, no. 11, 2018, doi: 10.3390/app8112118spa
dc.relation.references[27] F. errera, “Big Data: Preprocesamiento y calidad de datos,” Novática, no. 237, p. 17, 2016.spa
dc.relation.references[28] R. Goyena and A. . Fallis, Data mining concepts and techniques, vol. 53, no. 9. 2019spa
dc.relation.references[29] A. linsky, S. Chen, and . arlow, “The comparative efficacy of imputation methods for missing data in structural equation modeling,” Eur. J. Oper. Res., vol. 151, no. 1, pp. 53–79, 2003, doi: 10.1016/S0377-2217(02)00578-7.spa
dc.relation.references[30] H. Junninen, H. Niska, K. Tuppurainen, J. Ruuskanen, and M. Kolehmainen, “Methods for imputation of missing values in air quality data sets,” Atmos. Environ., vol. 38, no. 18, pp. 2895–2907, 2004, doi: 10.1016/j.atmosenv.2004.02.026.spa
dc.relation.references[31] D. Berrar, “Cross-validation,” Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1–3, no. April, pp. 542–545, 2018, doi: 10.1016/B978-0-12-809633-8.20349-X.spa
dc.relation.references[32] T. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.spa
dc.relation.references[33] W. Yang, K. Wang, and W. Zuo, “Neighborhood component feature selection for high-dimensional data,” J. Comput., vol. 7, no. 1, pp. 162–168, 2012, doi: 10.4304/jcp.7.1.161-168spa
dc.relation.references[34] H. H. Hsu, C. Y. Chang, and C. H. Hsu, Big Data Analytics for Sensor-Network Collected Intelligence. 2017.spa
dc.relation.references[35] H. e, Y. Bai, E. A. Garcia, and S. i, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” Proc. Int. Jt. Conf. Neural Networks, no. 3, pp. 1322–1328, 2008, doi: 10.1109/IJCNN.2008.4633969spa
dc.relation.references[36] W. J. Murdoch, C. Singh, K. Kumbier, R. Abbasi-Asl, and B. Yu, “Definitions, methods, and applications in interpretable machine learning,” Proc. Natl. Acad. Sci. U. S. A., vol. 116, no. 44, pp. 22071–22080, 2019, doi: 10.1073/pnas.1900654116.spa
dc.relation.references[37] N. K. K, “Naive Bayes : Text Classifier for Spam Detection. - Naveen Kumar K - Medium,” 2019. [ nline]. Available: https://medium.com/@naveeen.kumar.k/naive-bayes-spam-detection-7d087cc96d9d. [Accessed: 03-Jun-2020].spa
dc.relation.references[38] . . W. and E. Fran, “ ntroducción a Data Mining,” SAS Train. courses, vol. (2thEd.), no. Dm, p. 34, 2007.spa
dc.relation.references[39] K. A. Gaurav and L. Patel, Machine Learning With R. 2020.spa
dc.relation.references[40] “ ow to Bulid a Neural Network in Python | Blog | Dimensionless.” [ nline]. Available: https://dimensionless.in/building-a-neural-network-in-python-language-modeling-task/. [Accessed: 03-Jun-2020].spa
dc.relation.references[41] David Kriesel, “A Brief ntoduction to Neural Networks,” Nonlinear Syst. Identif., pp. 239–297, 2001, doi: 10.1007/978-3-662-04323-3_10.spa
dc.relation.references[42] C. Bircano and T. Çizge, “Yapay Sinir A ˘ glarında Aktivasyon Fonksiyonlarının Kar ¸ sıla ¸ stırılması A Comparison of Activation Functions in Artificial Neural Networks,” 2018 26th Signal Process. Commun. Appl. Conf., pp. 1–4.spa
dc.relation.references[43] P. Marius-Constantin, V. E. Balas, L. Perescu-Popescu, and N. Mastorakis, “Multilayer perceptron and neural networks,” WSEAS Trans. Circuits Syst., vol. 8, no. 7, pp. 579–588, 2009.spa
dc.relation.references[44] M. N. Noor, A. S. Yahaya, N. A. Ramli, and A. M. M. Al Bakri, “Filling missing data using interpolation methods: Study on the effect of fitting distribution,” Key Eng. Mater., vol. 594–595, pp. 889–895, 2014, doi: 10.4028/www.scientific.net/KEM.594-595.889.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsEnergy engineeringeng
dc.subject.keywordsTechnological innovationseng
dc.subject.keywordsEnergyeng
dc.subject.keywordsNeural networkseng
dc.subject.keywordsDecision treeeng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsFlexible computingeng
dc.subject.keywordsGrid-connected systemeng
dc.subject.lembIngeniería en energíaspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembEnergíaspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembComputación flexiblespa
dc.subject.proposalRedes neuronalesspa
dc.subject.proposalÁrbol de decisiónspa
dc.subject.proposalGrid tiespa
dc.subject.proposalSistema fotovoltaico conectado a la redspa
dc.titleHerramienta para el diseño de sistemas solares fotovoltaicos basada en redes neuronales artificiales (RNA) para determinar la configuración, selección de equipos y arreglos fotovoltaicos en Colombiaspa
dc.title.translatedTool for the design of photovoltaic solar systems based on artificial neural networks (ANN) to determine the configuration, selection of equipment and photovoltaic arrangements in Colombiaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
2020_Tesis_Harold_Ochoa.pdf
Tamaño:
3.55 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
2020_Licencia_Harold_Ochoa.pdf
Tamaño:
202.45 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería en Energía