Comparativo de kernels sobre predicción de oferta de fuentes alternativas de energía

Abstract

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.