Comparación de funciones kernel para la predicción de la oferta energética fotovoltaica

Abstract

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.