Este Trabajo de Fin de Grado se centra en el estudio de la metodología empleada para la predicción de irradiancia solar aplicando técnicas de aprendizaje automático.
Para llevar a cabo este análisis, se emplean diversos algoritmos de aprendizaje automático, destacando el uso de herramientas como Python y sus bibliotecas especializadas. La selección y tratamiento de la base de datos es fundamental, utilizando datos provenientes de la fuente de datos de NASA/POWER.
El proceso de investigación comienza con la modelización de los factores geográficos y meteorológicos que influyen en la irradiancia solar. A continuación, se implementan diferentes modelos de predicción, incluyendo métodos estadísticos tradicionales como la regresión lineal y modelos más avanzados de aprendizaje automático como árboles de decisión, bosque aleatorio y redes neuronales artificiales.
Se realizan simulaciones y se evalúan los modelos mediante métricas de desempeño como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) y el Coeficiente de Determinación (R2). Se hace uso de validación cruzada para garantizar la robustez y generalización de los modelos.
Finalmente, se comparan los resultados obtenidos con los métodos más simples y con las técnicas modernas de aprendizaje automático, destacando la superioridad de estas últimas en términos de precisión y capacidad predictiva
This Final Degree Project focuses on the study of the methodology used for solar irradiance prediction applying machine learning techniques.
To conduct this analysis, various machine learning algorithms are used, highlighting the use of tools such as Python and specialized libraries. The choice and processing of the database is crucial, using data on solar irradiance, ambient temperature, wind speed, and solar altitude, sourced from the NASA/POWER database.
The research process begins with the modeling of the geographical and meteorological factors that influence solar irradiance. Next, different prediction models are implemented, including traditional statistical methods like linear regression and more advanced machine learning models such as decision trees, random forests, and artificial neural networks.
Simulations are conducted and the models are evaluated using performance metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and the Coefficient of Determination (R2). Cross-validation is used to ensure the robustness and generalization of the models.
Finally, the accuracy of simpler methods is compared with modern machine learning techniques, highlighting the superiority of the latter in terms of precision and predictive capability.
