Predicción de radiación solar en Salinas de Urcuquí: Modelo estadístico matemático
DOI:
https://doi.org/10.55204/trc.v3i2.e203Palabras clave:
Modelo matemático, RNA, radiación solar directa, albedoResumen
Este trabajo se enfoca en plantear modelos de predicción asociados a la radiación solar incidente sobre la superficie terrestre de la parroquia de Tumbabiro en Urcuquí – Imbabura. La metodología está basada en obtener un modelo óptimo donde se utiliza modelos de predicción que responden a distintos métodos estadísticos. Los datos de los parámetros fundamentales que afectan a la radiación solar se obtienen de la base de datos que proporciona el NREL. Se utiliza modelos AR, ARMA, ARMAX y de Redes Neuronales Recurrentes-RNN, donde se realiza una contrastación modelos predictivos estadísticamente significativos, permitiendo observar que, de los primeros, es significativo un ARMAX(1,1), con un error de 9.87%; pero, los mejores pronósticos se obtuvieron del modelo LSTM con error del 0.18%.
Descargas
Citas
Capa, H. (2022-). Modelación de series temporales (2da. Ed.). Escuela Politécnica Nacional
Carrillo Andrade, F. A. (2022). Pronóstico del recurso solar a corto plazo para Distritos industriales basado en redes neuronales artificiales (Bachelor's thesis). https://dspace.ups.edu.ec/bitstream/123456789/21913/1/UPS%20-%20TTS619.pdf
Castro, C., Lima, V., & Figueiredo, M. (2019). Series temporais. In A. C. Medeiros, C. L. Ribeiro, & D. C. Medeiros (Eds.), Introdução à estatística aplicada à engenharia: conceitos, métodos e aplicações (pp. 215-236). Springer.
Clavijo Galvis, F. S., & Pinto Pérez, C. A. Implementación de métodos de predicción de radiación solar para una zona particular de la geografía colombiana. https://repository.udistrital.edu.co/handle/11349/29465
Collantes Duarte, J., Colmenares La Cruz, G., Orlandoni Merli, G., & Rivas Echeverría, F. (2004). A comparison of time series forecasting between artificial neural networks and box and jenkins methods. Revista Técnica de la Facultad de Ingeniería Universidad del Zulia, 27(3), 146-160. http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0254-07702004000300002
Contreras, W., Galban, M. G., & Sepúlveda, S. B. (2018). Análisis estadístico de la radiación solar en la ciudad de Cúcuta. Entre ciencia e ingeniería, 12(23), 16-22. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1909-83672018000100016
Cuitiño, F., Ganón, E., Tiscordio, I., & Vicente, L. (2010). Modelos univariados de series de tiempo para predecir la inflación de corto plazo. XXV Jornadas de Economía del Banco Central del Uruguay. https://www.bcu.gub.uy/Comunicaciones/Jornadas%20de%20Economa/iees03j3101010.pdf
Enders, W. (2018). Applied econometric time series (4th ed.). Wiley.
Gómez-Mejía, A. (2020). Modelo de Máxima Verosimilitud. Libre Empresa, 17(2), 121-138. https://revistas.unilibre.edu.co/index.php/libreempresa/article/view/8027/7195
Hassani, H. (2018). Time series analysis and forecasting: A practical approach for business forecasting (2nd ed.). Wiley.
Lalaleo Achachi, D. F. (2021). Diseño de un algoritmo utilizando Machine Learning para la predicción de la radiación solar en el sector de Lasso (Master's thesis, Ecuador: Latacunga: Universidad Técnica de Cotopaxi: UTC.). http://repositorio.utc.edu.ec/handle/27000/8014
López-García, M. D. R., Martínez-Damián, M. Á., & Arana-Coronado, J. J. (2022). Predictores del precio de maíz blanco en Jalisco y Michoacán. Revista mexicana de ciencias agrícolas, 13(2), 261-272. https://www.scielo.org.mx/scielo.php?pid=S2007-09342022000200261&script=sci_arttext
Ma, T., Gu, W., Shen, L., & Li, M. (2019). An improved and comprehensive mathematical model for solar photovoltaic modules under real operating conditions. Solar Energy, 184, 292-304. https://www.sciencedirect.com/science/article/abs/pii/S0038092X19303159
Mazorra Aguiar, L. (2016). Modelo predictivo de radiación solar mediante técnicas de machine learning: aplicación a la isla de Gran Canaria (Doctoral dissertation). https://accedacris.ulpgc.es/handle/10553/18927
Pérez, D. P., Botto-Tobar, M., & Mora, C. M. (2021). Predicción del Composite Requerido en el Diseño de un Recipiente Toroidal Mediante una Red Neuronal Artificial. Investigación, Tecnología e Innovación, 13(13), 45-53. https://revistas.ug.edu.ec/index.php/iti/article/view/1093
Pinzón, J. E. D. (2020). Precisión del pronóstico de la propagación del COVID-19 en Colombia. Revista Repertorio de Medicina y Cirugía. https://revistas.fucsalud.edu.co/index.php/repertorio/article/view/1045
Rangel Heras, E. (2018). Modelo integral para la predicción de la potencia generada por equipos fotovoltaicos de gran escala. http://bibliotecavirtual.dgb.umich.mx:8083/xmlui/handle/DGB_UMICH/317
Rodríguez, A. A. (2019). Análisis de las series temporales a la luz de Deep Learning. Anuario jurídico y económico escurialense, (52), 257-276. https://dialnet.unirioja.es/servlet/articulo?codigo=6883981
Sayed, E. T., Wilberforce, T., Elsaid, K., Rabaia, M. K. H., Abdelkareem, M. A., Chae, K. J., & Olabi, A. G. (2021). A critical review on environmental impacts of renewable energy systems and mitigation strategies: Wind, hydro, biomass and geothermal. Science of the total environment, 766, 144505. https://www.sciencedirect.com/science/article/abs/pii/S0048969720380360?via%3Dihub
Segarra Poma, A. J. (2022). Ubicación óptima georreferenciada de centrales de generación fotovoltaica considerando restricciones de radiación solar y temperatura (Bachelor's thesis). https://dspace.ups.edu.ec/handle/123456789/21904
Tafur-Escanta, P., López-Paniagua, I., & Muñoz-Antón, J. (2023). Thermodynamics analysis of the supercritical CO2 binary mixtures for Brayton power cycles. Energy, 126838. https://www.sciencedirect.com/science/article/pii/S0360544223002323
Tembhare, S. P., Barai, D. P., & Bhanvase, B. A. (2022). Performance evaluation of nanofluids in solar thermal and solar photovoltaic systems: A comprehensive review. Renewable and Sustainable Energy Reviews, 153, 111738. https://www.sciencedirect.com/science/article/abs/pii/S1364032121010108
Torres, J. (2019). Deep Learning, Introducción práctica con Keras, SEGUNDA PARTE. WATCH THIS SPACE collection – Barcelona: Book 6. https://torres.ai/deep-learning-inteligencia-artificial-keras-2a-parte/#AccesoLibro2aParte
Villarreal Mesa, O. A. (2020). Análisis del recurso solar mediante modelos de predicción de corto plazo en la sabana de Bogotá. https://repositorio.unal.edu.co/handle/unal/77790?locale-attribute=pt_BR
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Iván Patricio Quinteros Campaña, Paúl Michael Tafur Escanta
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
