Mostrar el registro sencillo del ítem

dc.contributor.advisorBatlles Garrido, Francisco Javier es_ES
dc.contributor.advisorAlonso Montesinos, Joaquín Blas es_ES
dc.contributor.advisorMarzo Rosa, Aitor Josées_ES
dc.contributor.authorTrigo Gonzalez, Mauricio
dc.date.accessioned2022-10-19T08:53:51Z
dc.date.available2022-10-19T08:53:51Z
dc.identifier.urihttp://hdl.handle.net/10835/14027
dc.descriptiones_ES
dc.description.abstractLa energía solar fotovoltaica (FV) es la tecnología para la generación eléctrica que presenta un mayor crecimiento desde el año 2002, experimentando un incremento medio anual del 48%. La predicción del recurso solar para una planta FV conectada a la red, es absolutamente necesaria para asegurar una captura y transformación óptima de la energía solar disponible y una producción confiable de potencia. El desarrollo de métodos de predicción a corto plazo de la producción de las plantas es particularmente importante debido a su creciente incorporación a las redes eléctricas y a la variabilidad del recurso solar, debido principalmente a los fenómenos transitorios originados por la alternancia de nubes y claros. La acumulación de suciedad en la superficie de los módulos fotovoltaicos tiene un impacto notable en la producción de una instalación fotovoltaica. Este fenómeno, más conocido por el término anglosajón "soiling" está íntimamente relacionado con el ángulo de inclinación del panel y las condiciones meteorológicas, como son la cantidad de aerosoles presentes en la atmósfera, humedad relativa, velocidad y dirección del viento y precipitación. El objetivo fundamental del presente proyecto de tesis doctoral es desarrollar una metodología capaz de predecir a corto plazo, de una a tres horas, la producción de una planta fotovoltaica, incluyendo las pérdidas por soiling. Dicha metodología está basada en tratamiento de imágenes y técnicas de aprendizaje supervisado, como son las Redes Neuronales Artificiales.es_ES
dc.language.isoeses_ES
dc.subjectForecastinges_ES
dc.subjectMachine Learninges_ES
dc.subjectArtificial Neural Networkes_ES
dc.subjectSupport Vector Machinees_ES
dc.titleCaracterización, modelización y predicción a corto plazo de la producción de la potencia de una planta fotovoltaica, utilizando cámara de cielo y Técnica de Inteligencia Artificiales_ES
dc.title.alternativeCharacterization, modeling, and short-term prediction of the power output of a photovoltaic plant, using sky camara and Artificial Intelligence Techniquees_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.description.programDoctorado en Ciencias Aplicadas al Medio Ambiente (RD99/11) (8904es_ES
dc.date.exposureStart2022-10-19
dc.date.exposureEnd2022-11-09


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem