Título :	Algoritmo para mejorar la eficiencia de un controlador MPPT fotovoltaico basado en un enfoque hibrido neuronal-metaheurístico
Autor(es):	César Gabriel Villegas Mier
Palabras clave:	Aprendizaje Automático MPPT Sistemas Fotovoltaicos Temperatura Irradiancia Radiación Solar
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	jun-2024
Editorial :	Universidad Autónoma de Querétaro
Páginas:	1 recurso en línea (101 páginas)
Folio RI:	IFDCC-232579
Facultad:	Facultad de Informática
Programa académico:	Doctorado en Ciencias de la Computación
Resumen:	La 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.
URI:	https://ri-ng.uaq.mx/handle/123456789/11344
Aparece en:	Doctorado en Ciencias de la Computación

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