Predicción de energía solar con modelos autorregresivos
Author
Cuesta Santos, DanielEntity
UAM. Departamento de Ingeniería InformáticaDate
2019-10Subjects
Inteligencia artificial; Intaprendizaje automático; modelos autorregresivos; InformáticaEsta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
Este Trabajo Fin de Grado consistirá en el estudio de modelos autorregresivos para la predicción de energía solar en España. El estudio se produce debido a que actualmente la gran cantidad de contaminación producida por el uso de combustibles fósiles y la obtención de energía no renovables está afectando al planeta. La energía solar, al ser una energía renovable, aparece hoy en día como una de las principales alternativas a estos recursos y es interesante poder predecir la obtención que se podría tener en el futuro.
La obtención de energía solar depende de las condiciones meteorológicas y su predicción es fundamental para poder tenerla en cuenta como fuente de energía en la red eléctrica. En este Trabajo Fin de Grado vamos a dar una predicción de la energía solar y para ello utilizaremos los modelos autorregresivos. Determinaremos cuál de ellos podrá llegar a predecir con mas exactitud los valores reales de energía solar obtenida por las placas solares.
Los datos de los que disponemos son claramente dependientes del tiempo, podemos tratarlos como series temporales. Entre los modelos que permiten hacer predicciones en series temporales destacan los modelos autorregresivos (AR, MA, ARMA y ARIMA), que son los que utilizaremos y compararemos en este trabajo. Antes de predecir, es importante realizar un buen análisis de los datos. En el caso concreto de las series temporales, haremos un hincapié especial en conseguir series no estacionarias, para lo cual quitaremos tendencias y comportamientos estacionales.
Después de ese análisis y correcto tratamiento de los datos ya podemos empezar a usarlo para predecir, pero primero tendremos que dividir estos datos en dos conjuntos: uno para el entrenamiento y otro más pequeño para el test. Las predicciones que realizaremos con estos modelos las haremos usando horizontes, concretamente cinco horizontes. Con ellos obtendremos las predicciones de las siguientes cinco horas. Esto nos dará para poder comparar tanto los modelos como los horizontes y así determinar qué modelo es el mejor para cada horizonte.
Files in this item
Google Scholar:Cuesta Santos, Daniel
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Herramientas Python para la predicción de energías renovables
Bella Santos, Juan
2018-01 -
Predicción de energía eólica con modelos autorregresivos
Torrijos Moreno, Jaime
2019-10 -
Modelos de regresión local para predicción de energía eólica
Barroso Honrubia, María
2021-04