Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina)
- Autores
- Salazar, Germán Ariel; Ledesma, Rubén Darío; López Ruiz, Constanza; De Castro Vilela, Olga
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- En este trabajo se analizan diferentes métricas comparando valores medidos de Irradiancia Solar Global contra valores estimados usando diferentes técnicas de Inteligencia Artificial, particularmente Aprendizaje Automático (Machine Learning), con el objetivo de realizar una Site Adaptation a través de la Base de Datos Satelitales CAMS-Rad para la ciudad de Salta (1200 metros sobre el nivel del mar). Se analizaron los datos con integraciones temporales de 5 minutos y 15 minutos. Se usaron dos periodos diferentes de datos medidos: un año (2014) o dos años (2014-2015) para entrenar y validar. Las técnicas de Machine Learning usadas fueron Regresión Lineal Simple y Múltiple, Quantile Mapping, Multilayer Perceptron, XGBoost y regresión Clusterwise. Todas las métricas indican una mejora sobre los estimados por CAMS-Rad, destacándose las regresiones Clusterwise.
In this work, different metrics are analyzed comparing measured values of Global Solar Irradiance against estimated values using different Artificial Intelligence techniques, particularly Machine Learning, to perform a Site Adaptation through the CAMS-Rad Satellite Database for the city of Salta (1200 meters above sea level). The data were analyzed with temporal integrations of 5 minutes and 15 minutes. Two periods of measured data were used: one year (2014) or two years (2014-2015) for training and validation. Machine Learning techniques were Simple and Multiple Linear Regression, Quantile Mapping, Multilayer Perceptron, XGBoost and Clusterwise regression. All metrics indicate an improvement over CAMS-Rad estimates, with Clusterwise regressions standing out.
Asociación Argentina de Energías Renovables y Medio Ambiente - Materia
-
Arquitectura
Ingeniería
irradiancia solar global
aprendizaje automático
adaptación al sitio
Salta
global solar irradiance
machine learning
site adaptation - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/179304
Ver los metadatos del registro completo
id |
SEDICI_700cbe3dc7c9b9b31773b2e16d83db03 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/179304 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina)Performance analysis of different machine learning techniques in a global solar irradiance site adaptation for Salta (Argentina)Salazar, Germán ArielLedesma, Rubén DaríoLópez Ruiz, ConstanzaDe Castro Vilela, OlgaArquitecturaIngenieríairradiancia solar globalaprendizaje automáticoadaptación al sitioSaltaglobal solar irradiancemachine learningsite adaptationEn este trabajo se analizan diferentes métricas comparando valores medidos de Irradiancia Solar Global contra valores estimados usando diferentes técnicas de Inteligencia Artificial, particularmente Aprendizaje Automático (Machine Learning), con el objetivo de realizar una Site Adaptation a través de la Base de Datos Satelitales CAMS-Rad para la ciudad de Salta (1200 metros sobre el nivel del mar). Se analizaron los datos con integraciones temporales de 5 minutos y 15 minutos. Se usaron dos periodos diferentes de datos medidos: un año (2014) o dos años (2014-2015) para entrenar y validar. Las técnicas de Machine Learning usadas fueron Regresión Lineal Simple y Múltiple, Quantile Mapping, Multilayer Perceptron, XGBoost y regresión Clusterwise. Todas las métricas indican una mejora sobre los estimados por CAMS-Rad, destacándose las regresiones Clusterwise.In this work, different metrics are analyzed comparing measured values of Global Solar Irradiance against estimated values using different Artificial Intelligence techniques, particularly Machine Learning, to perform a Site Adaptation through the CAMS-Rad Satellite Database for the city of Salta (1200 meters above sea level). The data were analyzed with temporal integrations of 5 minutes and 15 minutes. Two periods of measured data were used: one year (2014) or two years (2014-2015) for training and validation. Machine Learning techniques were Simple and Multiple Linear Regression, Quantile Mapping, Multilayer Perceptron, XGBoost and Clusterwise regression. All metrics indicate an improvement over CAMS-Rad estimates, with Clusterwise regressions standing out.Asociación Argentina de Energías Renovables y Medio Ambiente2025-04-28info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf308-320http://sedici.unlp.edu.ar/handle/10915/179304spainfo:eu-repo/semantics/altIdentifier/url/https://portalderevistas.unsa.edu.ar/index.php/averma/article/view/4892info:eu-repo/semantics/altIdentifier/issn/2314-1433info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:48:39Zoai:sedici.unlp.edu.ar:10915/179304Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:48:39.332SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) Performance analysis of different machine learning techniques in a global solar irradiance site adaptation for Salta (Argentina) |
title |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
spellingShingle |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) Salazar, Germán Ariel Arquitectura Ingeniería irradiancia solar global aprendizaje automático adaptación al sitio Salta global solar irradiance machine learning site adaptation |
title_short |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
title_full |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
title_fullStr |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
title_full_unstemmed |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
title_sort |
Análisis de desempeño de diferentes técnicas de aprendizaje automático en una adaptación al sitio de irradiancia solar global para Salta (Argentina) |
dc.creator.none.fl_str_mv |
Salazar, Germán Ariel Ledesma, Rubén Darío López Ruiz, Constanza De Castro Vilela, Olga |
author |
Salazar, Germán Ariel |
author_facet |
Salazar, Germán Ariel Ledesma, Rubén Darío López Ruiz, Constanza De Castro Vilela, Olga |
author_role |
author |
author2 |
Ledesma, Rubén Darío López Ruiz, Constanza De Castro Vilela, Olga |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Arquitectura Ingeniería irradiancia solar global aprendizaje automático adaptación al sitio Salta global solar irradiance machine learning site adaptation |
topic |
Arquitectura Ingeniería irradiancia solar global aprendizaje automático adaptación al sitio Salta global solar irradiance machine learning site adaptation |
dc.description.none.fl_txt_mv |
En este trabajo se analizan diferentes métricas comparando valores medidos de Irradiancia Solar Global contra valores estimados usando diferentes técnicas de Inteligencia Artificial, particularmente Aprendizaje Automático (Machine Learning), con el objetivo de realizar una Site Adaptation a través de la Base de Datos Satelitales CAMS-Rad para la ciudad de Salta (1200 metros sobre el nivel del mar). Se analizaron los datos con integraciones temporales de 5 minutos y 15 minutos. Se usaron dos periodos diferentes de datos medidos: un año (2014) o dos años (2014-2015) para entrenar y validar. Las técnicas de Machine Learning usadas fueron Regresión Lineal Simple y Múltiple, Quantile Mapping, Multilayer Perceptron, XGBoost y regresión Clusterwise. Todas las métricas indican una mejora sobre los estimados por CAMS-Rad, destacándose las regresiones Clusterwise. In this work, different metrics are analyzed comparing measured values of Global Solar Irradiance against estimated values using different Artificial Intelligence techniques, particularly Machine Learning, to perform a Site Adaptation through the CAMS-Rad Satellite Database for the city of Salta (1200 meters above sea level). The data were analyzed with temporal integrations of 5 minutes and 15 minutes. Two periods of measured data were used: one year (2014) or two years (2014-2015) for training and validation. Machine Learning techniques were Simple and Multiple Linear Regression, Quantile Mapping, Multilayer Perceptron, XGBoost and Clusterwise regression. All metrics indicate an improvement over CAMS-Rad estimates, with Clusterwise regressions standing out. Asociación Argentina de Energías Renovables y Medio Ambiente |
description |
En este trabajo se analizan diferentes métricas comparando valores medidos de Irradiancia Solar Global contra valores estimados usando diferentes técnicas de Inteligencia Artificial, particularmente Aprendizaje Automático (Machine Learning), con el objetivo de realizar una Site Adaptation a través de la Base de Datos Satelitales CAMS-Rad para la ciudad de Salta (1200 metros sobre el nivel del mar). Se analizaron los datos con integraciones temporales de 5 minutos y 15 minutos. Se usaron dos periodos diferentes de datos medidos: un año (2014) o dos años (2014-2015) para entrenar y validar. Las técnicas de Machine Learning usadas fueron Regresión Lineal Simple y Múltiple, Quantile Mapping, Multilayer Perceptron, XGBoost y regresión Clusterwise. Todas las métricas indican una mejora sobre los estimados por CAMS-Rad, destacándose las regresiones Clusterwise. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04-28 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Articulo http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/179304 |
url |
http://sedici.unlp.edu.ar/handle/10915/179304 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://portalderevistas.unsa.edu.ar/index.php/averma/article/view/4892 info:eu-repo/semantics/altIdentifier/issn/2314-1433 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 308-320 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616348751101952 |
score |
13.070432 |