Buscar


Mostrar el registro sencillo del ítem

dc.rights.license https://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Juvenal Rodriguez Resendiz. es_ES
dc.creator César Gabriel Villegas Mier es_ES
dc.date.accessioned 2025-01-17T19:46:11Z
dc.date.available 2025-01-17T19:46:11Z
dc.date.issued 2024-06
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/11344
dc.description 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. es_ES
dc.format pdf es_ES
dc.format.extent 1 recurso en línea (101 páginas) es_ES
dc.format.medium computadora es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autónoma de Querétaro es_ES
dc.relation.requires Si es_ES
dc.rights openAccess es_ES
dc.subject Aprendizaje Automático es_ES
dc.subject MPPT es_ES
dc.subject Sistemas Fotovoltaicos es_ES
dc.subject Temperatura es_ES
dc.subject Irradiancia es_ES
dc.subject Radiación Solar es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Algoritmo para mejorar la eficiencia de un controlador MPPT fotovoltaico basado en un enfoque hibrido neuronal-metaheurístico es_ES
dc.type Tesis de doctorado es_ES
dc.creator.tid ORCID es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador 0000-0002-5239-2865 es_ES
dc.contributor.identificador 0000-0001-8598-5600 es_ES
dc.contributor.role Director es_ES
dc.degree.name Doctorado en Ciencias de la Computación es_ES
dc.degree.department Facultad de Informática es_ES
dc.degree.level Doctorado es_ES
dc.format.support recurso en línea es_ES
dc.matricula.creator 232579 es_ES
dc.folio IFDCC-232579 es_ES


Ficheros en el ítem

Thumbnail
Nombre: IFDCC-232579.pdf
Tamaño: 7.210Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem