Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting
- Autores
- Cappelletti, Marcelo Ángel; Olivera, Lucas; Inthamoussou, Fernando Ariel
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Contar con un conocimiento preciso de la radiación solar en momentos y ubicaciones específicas es esencial para optimizar el aprovechamiento de la energía solar. No obstante, en muchos países, especialmente en las regiones en desarrollo, el elevado costo de los piranómetros ha dificultado considerablemente la medición precisa de la radiación solar, lo que limita su aplicación práctica en sistemas solares de pequeña escala. Por este motivo, suelen utilizarse modelos teóricos para la estimación de la radiación solar, entre ellos, la ecuación de Ångström–Prescott y sus modificaciones, modelos lineales, polinómicos, exponenciales y logarítmicos, técnicas geoestadísticas, técnicas estocásticas y técnicas basadas en imágenes satelitales. Este campo de estudio permanece abierto a propuestas innovadoras que brinden resultados precisos con un bajo costo computacional, facilidad de implementación y buena velocidad de convergencia. En consecuencia, las técnicas de aprendizaje automático (ML: Machine Learning) han surgido recientemente como alternativas poderosas, que ofrecen resultados superiores en la predicción de la radiación solar en comparación con los métodos convencionales. Ante este contexto, este trabajo presenta un nuevo enfoque para la estimación precisa de la radiación solar horaria en condiciones cambiantes de cielo, utilizando Gradient Boosting (GB). El modelo propuesto se basa en solo cinco variables de entrada fácilmente medibles: la hora del día, el mes, la temperatura del aire, la humedad relativa y la presión atmosférica, lo que lo hace simple y rentable de implementar a gran escala en áreas sin acceso a costosos dispositivos de medición de la radiación solar, como los piranómetros.
Facultad de Ingeniería - Materia
-
Ingeniería
Radiación solar
aprendizaje automático
aprovechamiento de la energía solar - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/186183
Ver los metadatos del registro completo
| id |
SEDICI_8e7d5900e46a229dcd63c929b99654c5 |
|---|---|
| oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/186183 |
| network_acronym_str |
SEDICI |
| repository_id_str |
1329 |
| network_name_str |
SEDICI (UNLP) |
| spelling |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boostingCappelletti, Marcelo ÁngelOlivera, LucasInthamoussou, Fernando ArielIngenieríaRadiación solaraprendizaje automáticoaprovechamiento de la energía solarContar con un conocimiento preciso de la radiación solar en momentos y ubicaciones específicas es esencial para optimizar el aprovechamiento de la energía solar. No obstante, en muchos países, especialmente en las regiones en desarrollo, el elevado costo de los piranómetros ha dificultado considerablemente la medición precisa de la radiación solar, lo que limita su aplicación práctica en sistemas solares de pequeña escala. Por este motivo, suelen utilizarse modelos teóricos para la estimación de la radiación solar, entre ellos, la ecuación de Ångström–Prescott y sus modificaciones, modelos lineales, polinómicos, exponenciales y logarítmicos, técnicas geoestadísticas, técnicas estocásticas y técnicas basadas en imágenes satelitales. Este campo de estudio permanece abierto a propuestas innovadoras que brinden resultados precisos con un bajo costo computacional, facilidad de implementación y buena velocidad de convergencia. En consecuencia, las técnicas de aprendizaje automático (ML: Machine Learning) han surgido recientemente como alternativas poderosas, que ofrecen resultados superiores en la predicción de la radiación solar en comparación con los métodos convencionales. Ante este contexto, este trabajo presenta un nuevo enfoque para la estimación precisa de la radiación solar horaria en condiciones cambiantes de cielo, utilizando Gradient Boosting (GB). El modelo propuesto se basa en solo cinco variables de entrada fácilmente medibles: la hora del día, el mes, la temperatura del aire, la humedad relativa y la presión atmosférica, lo que lo hace simple y rentable de implementar a gran escala en áreas sin acceso a costosos dispositivos de medición de la radiación solar, como los piranómetros.Facultad de Ingeniería2025-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf194-199http://sedici.unlp.edu.ar/handle/10915/186183spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2565-7info:eu-repo/semantics/reference/hdl/10915/181826info: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:UNLP2025-10-22T17:31:54Zoai:sedici.unlp.edu.ar:10915/186183Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 17:31:55.24SEDICI (UNLP) - Universidad Nacional de La Platafalse |
| dc.title.none.fl_str_mv |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| title |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| spellingShingle |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting Cappelletti, Marcelo Ángel Ingeniería Radiación solar aprendizaje automático aprovechamiento de la energía solar |
| title_short |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| title_full |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| title_fullStr |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| title_full_unstemmed |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| title_sort |
Estimación de la radiación solar horaria bajo condiciones cambiantes del cielo mediante gradient boosting |
| dc.creator.none.fl_str_mv |
Cappelletti, Marcelo Ángel Olivera, Lucas Inthamoussou, Fernando Ariel |
| author |
Cappelletti, Marcelo Ángel |
| author_facet |
Cappelletti, Marcelo Ángel Olivera, Lucas Inthamoussou, Fernando Ariel |
| author_role |
author |
| author2 |
Olivera, Lucas Inthamoussou, Fernando Ariel |
| author2_role |
author author |
| dc.subject.none.fl_str_mv |
Ingeniería Radiación solar aprendizaje automático aprovechamiento de la energía solar |
| topic |
Ingeniería Radiación solar aprendizaje automático aprovechamiento de la energía solar |
| dc.description.none.fl_txt_mv |
Contar con un conocimiento preciso de la radiación solar en momentos y ubicaciones específicas es esencial para optimizar el aprovechamiento de la energía solar. No obstante, en muchos países, especialmente en las regiones en desarrollo, el elevado costo de los piranómetros ha dificultado considerablemente la medición precisa de la radiación solar, lo que limita su aplicación práctica en sistemas solares de pequeña escala. Por este motivo, suelen utilizarse modelos teóricos para la estimación de la radiación solar, entre ellos, la ecuación de Ångström–Prescott y sus modificaciones, modelos lineales, polinómicos, exponenciales y logarítmicos, técnicas geoestadísticas, técnicas estocásticas y técnicas basadas en imágenes satelitales. Este campo de estudio permanece abierto a propuestas innovadoras que brinden resultados precisos con un bajo costo computacional, facilidad de implementación y buena velocidad de convergencia. En consecuencia, las técnicas de aprendizaje automático (ML: Machine Learning) han surgido recientemente como alternativas poderosas, que ofrecen resultados superiores en la predicción de la radiación solar en comparación con los métodos convencionales. Ante este contexto, este trabajo presenta un nuevo enfoque para la estimación precisa de la radiación solar horaria en condiciones cambiantes de cielo, utilizando Gradient Boosting (GB). El modelo propuesto se basa en solo cinco variables de entrada fácilmente medibles: la hora del día, el mes, la temperatura del aire, la humedad relativa y la presión atmosférica, lo que lo hace simple y rentable de implementar a gran escala en áreas sin acceso a costosos dispositivos de medición de la radiación solar, como los piranómetros. Facultad de Ingeniería |
| description |
Contar con un conocimiento preciso de la radiación solar en momentos y ubicaciones específicas es esencial para optimizar el aprovechamiento de la energía solar. No obstante, en muchos países, especialmente en las regiones en desarrollo, el elevado costo de los piranómetros ha dificultado considerablemente la medición precisa de la radiación solar, lo que limita su aplicación práctica en sistemas solares de pequeña escala. Por este motivo, suelen utilizarse modelos teóricos para la estimación de la radiación solar, entre ellos, la ecuación de Ångström–Prescott y sus modificaciones, modelos lineales, polinómicos, exponenciales y logarítmicos, técnicas geoestadísticas, técnicas estocásticas y técnicas basadas en imágenes satelitales. Este campo de estudio permanece abierto a propuestas innovadoras que brinden resultados precisos con un bajo costo computacional, facilidad de implementación y buena velocidad de convergencia. En consecuencia, las técnicas de aprendizaje automático (ML: Machine Learning) han surgido recientemente como alternativas poderosas, que ofrecen resultados superiores en la predicción de la radiación solar en comparación con los métodos convencionales. Ante este contexto, este trabajo presenta un nuevo enfoque para la estimación precisa de la radiación solar horaria en condiciones cambiantes de cielo, utilizando Gradient Boosting (GB). El modelo propuesto se basa en solo cinco variables de entrada fácilmente medibles: la hora del día, el mes, la temperatura del aire, la humedad relativa y la presión atmosférica, lo que lo hace simple y rentable de implementar a gran escala en áreas sin acceso a costosos dispositivos de medición de la radiación solar, como los piranómetros. |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-05 |
| 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/10915/186183 |
| url |
http://sedici.unlp.edu.ar/handle/10915/186183 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2565-7 info:eu-repo/semantics/reference/hdl/10915/181826 |
| 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 194-199 |
| 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_ |
1846783829621080064 |
| score |
12.982451 |