Modelado y Predicción Inmediata de Potencia Fotovoltaica Mediante Técnicas de Internet de las Cosas, Aprendizaje Automático y Redes Neuronales

Abstract

Esta tesis investiga y aplica tecnologías de vanguardia en energía solar fotovoltaica, enfocándose en el análisis y predicción de la generación de energía eléctrica. Dado el creciente interés en la energía sostenible, se desarrollaron técnicas avanzadas que incluyen el Internet de las Cosas (IoT), el Aprendizaje Profundo (Deep Learning) y las Redes Generativas Adversarias (GANs). Se creó un sistema de adquisición de datos inalámbrico utilizando sensores IoT para monitorizar sistemas fotovoltaicos, mejorando a eficiencia y estandarización de la captura de datos. El uso de modelos de aprendizaje profundo, como LSTM y CNNs, permitió mejorar la precisión en la predicción de energía. Además, se exploró el aprendizaje por transferencia y el uso de GANs para generar datos sintéticos, mejorando la robustez y generalización de los modelos. Estos enfoques innovadores han demostrado ser efectivos para optimizar la gestión y predicción en sistemas fotovoltaicos

This thesis investigates and applies cutting-edge technologies in photovoltaic solar energy, focusing on the analysis and prediction of electricity generation. Given the growing interest in sustainable energy, advanced techniques were developed, including the Internet of Things (IoT), Deep Learning, and Generative Adversarial Networks (GANs). A wireless data acquisition system was created using IoT sensors to monitor photovoltaic systems, improving the efficiency and standardization of data capture. The use of deep learning models, such as LSTM and CNNs, enhanced the accuracy of energy prediction. Additionally, transfer learning and GANs were explored to generate synthetic data, improving the robustness and generalization of the models. These innovative approaches have proven effective in optimizing the management and prediction of photovoltaic systems.