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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/179304

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