Comparativo de kernels sobre predicción de oferta de fuentes alternativas de energía
Fecha:
10/10/2019Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
La necesidad de mitigar la crisis del cambio climático y suplir la demanda energética,
ha girado la atención hacia las fuentes de energías limpias, como la fotovoltaica. Promoviendo
estudios enfocados en la oferta como en (Cabrera, 2016), donde se estructuraron para una
superficie geográfica determinada, grandes bases de datos desde imágenes satelitales
Landsat y MODIS de NASA, produciendo buenos patrones tanto en Redes Neuronales
Artificiales (ANN) como en Máquinas de Soporte Vectorial (SVM). No obstante aún no se ha
evaluado el desempeño de estos algoritmos haciendo uso de funciones kernel como las
propuestas por Belanche (2015). Para solventar esto en esta investigación se aporta con la
adquisición eficiente de datos de entrenamiento desde Big data, especialización de los
algoritmos ANN y SVM con kernels acoplados a scikit-learn, marco experimental para
sintonización de hiperparámetros y discusión, donde se muestra que las funciones kernel
consiguen mejorar los resultados del estado del arte.
Descripción:
The need to mitigate the climate change crisis and meet the energy demand has turned
attention to clean energy sources, such as photovoltaics. Promoting studies focused on supply
as in (Cabrera, 2016), where large databases of NASA from Landsat and MODIS satellite
images were structured for a given geographical area, producing good patterns in both Artificial
Neural Networks (ANN) and Support Vector Machines (SVM). However, the performance of
these algorithms has not yet been evaluated using kernel functions such as those proposed
by Belanche (2015). To solve this in this research, it is contributed with the efficient acquisition
of training data from Big data, specialization of the ANN and SVM algorithms with kernels
coupled to scikit-learn, experimental framework for hyperparameter tuning and discussion,
where it is shown that the functions kernel manage to improve the results of the state of the
art.
Ficheros en el ítem
