Predicción de nubes a corto plazo para una planta solar a partir de datos históricos
- Autores
- Caballero, Rafael; Zarzalejo, Luis F.; Otero, Álvaro; Piñuel, Luis; Wilbert, Stefan
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Es este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería. En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en la precisión del método con respecto a la predicción basada en el último valor conocido.
Facultad de Informática - Materia
-
Ciencias Informáticas
solar radiation nowcast, LSTM, supervised machine learning
Energía Solar
predicción meteorológica - 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:10915/69922
Ver los metadatos del registro completo
id |
SEDICI_75ad4aac5d7530e6d5cedec25739b2de |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/69922 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricosCaballero, RafaelZarzalejo, Luis F.Otero, ÁlvaroPiñuel, LuisWilbert, StefanCiencias Informáticassolar radiation nowcast, LSTM, supervised machine learningEnergía Solarpredicción meteorológicaEs este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería. En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en la precisión del método con respecto a la predicción basada en el último valor conocido.Facultad de Informática2018-06info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf69-76http://sedici.unlp.edu.ar/handle/10915/69922spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-1659-4info:eu-repo/semantics/reference/hdl/10915/69464info:eu-repo/semantics/reference/hdl/10915/71620info: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:UNLP2025-09-29T11:11:05Zoai:sedici.unlp.edu.ar:10915/69922Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:11:05.535SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
title |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
spellingShingle |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos Caballero, Rafael Ciencias Informáticas solar radiation nowcast, LSTM, supervised machine learning Energía Solar predicción meteorológica |
title_short |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
title_full |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
title_fullStr |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
title_full_unstemmed |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
title_sort |
Predicción de nubes a corto plazo para una planta solar a partir de datos históricos |
dc.creator.none.fl_str_mv |
Caballero, Rafael Zarzalejo, Luis F. Otero, Álvaro Piñuel, Luis Wilbert, Stefan |
author |
Caballero, Rafael |
author_facet |
Caballero, Rafael Zarzalejo, Luis F. Otero, Álvaro Piñuel, Luis Wilbert, Stefan |
author_role |
author |
author2 |
Zarzalejo, Luis F. Otero, Álvaro Piñuel, Luis Wilbert, Stefan |
author2_role |
author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas solar radiation nowcast, LSTM, supervised machine learning Energía Solar predicción meteorológica |
topic |
Ciencias Informáticas solar radiation nowcast, LSTM, supervised machine learning Energía Solar predicción meteorológica |
dc.description.none.fl_txt_mv |
Es este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería. En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en la precisión del método con respecto a la predicción basada en el último valor conocido. Facultad de Informática |
description |
Es este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería. En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en la precisión del método con respecto a la predicción basada en el último valor conocido. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-06 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/69922 |
url |
http://sedici.unlp.edu.ar/handle/10915/69922 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-950-34-1659-4 info:eu-repo/semantics/reference/hdl/10915/69464 info:eu-repo/semantics/reference/hdl/10915/71620 |
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 69-76 |
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_ |
1844615980272058368 |
score |
13.070432 |