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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/186183

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