Comparación de funciones kernel para la predicción de la oferta energética fotovoltaica
Fecha:
12/2020Palabra clave:
Revista / editorial:
RISTI - Revista Iberica de Sistemas e Tecnologias de InformacaoTipo de Ítem:
Articulo Revista IndexadaDirección web:
http://risti.xyz/index.php?lang=pt
Resumen:
Recientemente, en los campos del cambio climático y de la demanda de
energía se ha volcado la atención al estudio y descubrimiento de patrones en energías
renovables, como la fotovoltaica. Estos patrones pueden obtenerse extrapolando la
radiación en función de las bandas del espectro electromagnético capturadas por
satélites Landsat y MODIS de la NASA, donde los algoritmos de redes neuronales
artificiales (ANN) y máquinas de soporte vectorial (SVM) han conseguido los
mejores modelos. No obstante, la adquisición de los datos de entrenamiento desde
esas fuentes es costosa y la exploración de funciones kernel para esta aplicación
es escasa. Por consiguiente, en este estudio se realizaron ajustes en los anteriores
aspectos, principalmente a través de: acoplamiento de nuevos kernels a ANN y SVM
en la biblioteca scikit-learn, contribuyendo en la reutilización y robustez de estos
algoritmos; e implementando un marco experimental para afinar hiperparámetros,
generando así resultados comparables con el estado del arte.
Descripción:
Recently, at the fields of climate change and energy demand have
turned their attention to the study and discovery of patterns in renewable energies,
such as the photovoltaic-type. Such patterns can be obtained by extrapolating
radiation based on the electromagnetic spectrum bands captured by NASA’s
Landsat and MODIS satellites, where artificial neural network (ANN) and support
vector machine (SVM) algorithms have produced the best models. Nonetheless, the acquisition of training data from those sources is expensive, as well as it lacks
the exploration of kernel functions for this application. Therefore, in this study,
adjustments were made in the above aspects, mainly through: coupling of new
kernels to ANN and SVM in the scikit-learn library, contributing to the reuse and
robustness of these algorithms; and implementing an experimental framework to
tune hyper-parameters, thus generating results comparable to those reported in the
state of the art.
