Predicción de series de tiempo de radiación solar en el sur del Perú aplicando deep learning, caso: Moquegua y Tacna.

Vista sencilla de ítem
dc.contributor.advisorFlores García, Anibal Fernandoes_ES
dc.contributor.authorPaxi Apaza, Walter Juvenales_ES
dc.date.accessioned2023-10-06T15:32:12Z
dc.date.available2023-10-06T15:32:12Z
dc.date.issued2023-06-15
dc.description.abstractLa radiación solar en la actualidad es dañina, su exposición prolongada trae consecuencias irreversibles en los seres humanos esta a su vez es aprovechable como fuente de energía, de ahí el proceso para predecir su comportamiento implementado un modelo que usa Deep learning con datos de series de tiempo de la región Moquegua y Tacna. La técnica de aumento de datos es fundamental para trabajar con modelos de aprendizaje profundo – Deep Learning, por la necesidad de que manejan grandes cantidades de datos para el máximo desarrollo del aprendizaje y esta al no estar disponible se generan inconvenientes de subajuste o sobreajuste, se propone la arquitectura LSTM – Memoria Corto-Largo Plazo, para pronosticar series temporales de radiación solar diaria. Entre las diferentes arquitecturas no hibridas el LSTM de 4 capas produjo mejores resultados para la predicción de series temporales de radiación solar diaria, y el aumento de datos de usó para fortalecer los datos y mejorar la predicción del modelo. Se ha logrado implementar un modelo de predicción de radiación solar basado en Deep Learning específicamente Long Short-Term Memory (LSTM) con aumento de datos (DA+LSTM), el cual logra superar considerablemente al mismo modelo sin aumento de datos (LSTM). De esta manera de acuerdo con el RMSE, el modelo propuesto DA+LSTM alcanza en promedio un RMSE=0.0580 superando el RMSE=0.2688 del modelo sin aumento de datos (LSTM). Del mismo modo en términos porcentuales, de acuerdo con el MAPE.es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://repositorio.unam.edu.pe/handle/UNAM/504
dc.language.isospaes_ES
dc.publisherUniversidad Nacional de Moqueguaes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceRepositorio institucional - UNAMes_ES
dc.subjectAumento de datoses_ES
dc.subjectDeep learninges_ES
dc.subjectMemoria a corto plazoes_ES
dc.subjectRedes neuronaleses_ES
dc.subjectSeries de tiempoes_ES
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.00.00es_ES
dc.titlePredicción de series de tiempo de radiación solar en el sur del Perú aplicando deep learning, caso: Moquegua y Tacna.es_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_ES
renati.advisor.dni04743476
renati.advisor.orcidhttps://orcid.org/0000-0003-4638-8242es_ES
renati.author.dni48003698
renati.jurorTito Chura, Hugo Euleres_ES
renati.jurorGauna Chino, Marioes_ES
renati.jurorRamos Rivera, Salomón Reyes_ES
renati.levelhttp://purl.org/pe-repo/renati/nivel#bachilleres_ES
renati.typehttp://purl.org/pe-repo/renati/type#tesises_ES
thesis.degree.disciplineIngeniería de Sistemas e Informáticaes_ES
thesis.degree.grantorUniversidad Nacional de Moquegua . Escuela Profesional de Ingeniería de Sistemas e Informáticaes_ES
thesis.degree.nameIngeniero de Sistemas e Informáticaes_ES
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
D095_48003698_T.pdf
Tamaño:
3.68 MB
Formato:
Unknown data format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Unknown data format
Descripción:
Descargar
Colecciones
Escuela Profesional de Ingeniería de Sistemas e Informática