Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/11344
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJuvenal Rodriguez Resendiz.es_ES
dc.creatorCésar Gabriel Villegas Mieres_ES
dc.date.accessioned2025-01-17T19:46:11Z-
dc.date.available2025-01-17T19:46:11Z-
dc.date.issued2024-06-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/11344-
dc.descriptionLa creciente demanda de energía eléctrica y la cada vez menor disponibilidad de combustibles fósiles han allanado el camino a las fuentes de energía renovables, emergiendo la energía solar como una de las opciones más populares debido a su naturaleza libre de contaminación, abundante disponibilidad y bajos requisitos de mantenimiento. Este trabajo de tesis explora el potencial de emplear técnicas de seguimiento del punto de máxima potencia (MPPT) basadas en aprendizaje automático (ML) para maximizar la producción de energía en sistemas fotovoltaicos (FV) en condiciones de sombreado parcial. En este estudio, realizan varias contribuciones a los campos de los sistemas fotovoltaicos y los sistemas basados en ML mediante la introducción de novedosas técnicas para el cálculo de MPP. y la realización de experimentos en condiciones meteorológicas variables. El rendimiento de los algoritmos basados en arbol de decisión (RF), Perceptron de Capa Multiple (MLP) y la combinacion entre redes neuronales y algoritmos de optimizacion metaheuristica (Engambre de Particulas, Lobo Gris, Geneticos) se valididaros y compararon utilizando software desarollado en Python y Matlab/Simulink. Los resultados experimentales revelaron que la tecnicas de optimizacion hybridas, neuronal-metahuristicas, superaron significativamente a los otros algoritmos tradicionales. Con la cominacion de redes i Algoritmos geneticos alcazado un 93.6% de precicion, Seguida de la ANN+ Optimizacion de lobo gris con un rango de 93 a 96 %, por último, la combinacion de ANN+ Optimizacion por enjambrede partículas obtubo un rango similar del 90% a 95.4% de precisión al momento de predecir el MPP. El algoritmo RF optimizado también alcanza un rendimiento muy similar del 93.2% a 96. %. Se demuestra que la optimización de hiperparámetros es un aspecto crítico del proceso de aprendizaje automático que puede influir significativamente en el rendimiento, la eficacia, la capacidad de generalización y la complejidad de un modelo. Unos hiperparámetros bien ajustados pueden dar lugar a modelos más precisos y fiables que funcionen bien tanto con datos de entrenamiento como con datos no vistos.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (101 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autónoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectAprendizaje Automáticoes_ES
dc.subjectMPPTes_ES
dc.subjectSistemas Fotovoltaicoses_ES
dc.subjectTemperaturaes_ES
dc.subjectIrradianciaes_ES
dc.subjectRadiación Solares_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleAlgoritmo para mejorar la eficiencia de un controlador MPPT fotovoltaico basado en un enfoque hibrido neuronal-metaheurísticoes_ES
dc.typeTesis de doctoradoes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0000-0002-5239-2865es_ES
dc.contributor.identificador0000-0001-8598-5600es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameDoctorado en Ciencias de la Computaciónes_ES
dc.degree.departmentFacultad de Informáticaes_ES
dc.degree.levelDoctoradoes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator232579es_ES
dc.folioIFDCC-232579es_ES
Aparece en: Doctorado en Ciencias de la Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IFDCC-232579.pdf7.38 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.