1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Tamaulipas
4. Instituto Tecnológico de Ciudad Madero
5. Tesis - Tec. Madero - O
6. Tesis de Maestría
7. Maestría en Ingeniería Eléctrica

Title:	IMPLEMENTACIÓN DE REDES NEURONALES CONVOLUCIONALES Y RECURRENTES PARA MEJORAR EL RENDIMIENTO DE UN SISTEMA DE ENERGÍA SOLAR FOTOVOLTAICA
Authors:	Govea Armengol, Miguel Alejandro
Issue Date:	2026-03-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Ciudad Madero
Description:	Este trabajo de tesis propone la realización de una solución basada en inteligencia artificial para optimizar la captación de energía de los paneles solares a partir de un análisis de imágenes del cielo y una estimación de la irradiancia. Para ello, este trabajo se beneficia de un conjunto de datos de más de 100,000 imágenes del cielo de la Universidad de Stanford, de marzo a diciembre del año 2017. Para este conjunto de datos de imágenes del cielo, se utiliza Python para extraer un conjunto de variables radiométricas, así como variables de la atmósfera del cielo, como la irradiancia media, la irradiancia ponderada, la cobertura de nubes, la varianza óptica, la ubicación del centro del sol y la uniformidad del brillo de la atmósfera, utilizando modelos basados en el cielo para aislar los píxeles que contienen información menos significativa para extraer con precisión. Valores de irradiancia en la atmósfera del cielo. Luego se diseñó una Red Neuronal Convolucional (CNN, por sus siglas en inglés) utilizando TensorFlow y Keras para identificar relaciones complejas entre características extraídas de datos y valores medidos de irradiancia solar. El modelo CNN diseñado es capaz de aprender diferentes características relacionadas con la irradiancia solar, la dispersión atmosférica y el movimiento de las nubes. El modelo diseñado es capaz de predecir con precisión valores de irradiancia solar en tiempo real, así como detectar con precisión condiciones favorables para cambiar las orientaciones de los paneles solares en términos de acimut y posiciones de inclinación. Los resultados de este estudio demuestran que los enfoques de visión por computadora, aprendizaje automático y aprendizaje profundo crean una alternativa precisa basada en datos para los enfoques de modelado de irradiancia. Esta solución llena un vacío significativo entre los enfoques de imágenes meteorológicas y los sistemas de optimización solar, lo que permite controlar dinámicamente los sistemas fotovoltaicos utilizando condiciones visuales, ambientales y de otro tipo. Finalmente, este trabajo ayuda a promover la investigación sobre sistemas avanzados de gestión de energía solar que utilizan inteligencia artificial para aumentar la eficiencia, la sostenibilidad y la eficacia de la energía solar.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ingeniería Eléctrica

This item is protected by original copyright View License

This item is licensed under a Creative Commons License