Examinando por Autor "Manrique, Miriam"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Adaptación al sitio de irradiancia solar global usando aprendizaje automático. Caso de estudio: Cota Cota y Chivay (Perú)
    (ASADES, 2025) Manrique, Miriam; Ledesma, Rubén; Rivera-Lera, Nicolás; Salazar, Germán
    En este estudio aplicamos la técnica de Adaptación al Sitio (AaS) para mejorar la estimación de la irradiancia global horizontal (GHI) de la base de datos satelital National Solar Radiation Database (NSRDB) en dos estaciones radiométricas del sur del Perú (Cota Cota y Chivay), para los años 2021 y 2022, con una frecuencia temporal horaria. Se evaluaron diferentes funciones adaptivas mediante modelos estadísticos, como la Regresión Lineal Simple (SLR), Regresión Lineal Múltiple (MLR) y un modelo de aprendizaje automático, (Perceptrón Multicapa, MLP). Las métricas utilizadas para evaluar el performance de estas funciones fueron el error medio de sesgo (rMBE) y el error cuadrático medio (rRMSE) porcentuales, así como sus versiones absolutas. Los resultados muestran que SLR y MLR corrigen el sesgo (rMBE ≈ 0), pero no los desvíos de las estimaciones (rRMSE), mientras que el MLP la reduce en aproximadamente un 4% en Chivay y en casi un 0,5% en Cota Cota. Esta mínima diferencia para Cota Cota podría deberse a que la base de datos satelital NSRDB tendría una buena correlación con los datos medidos, lo que no ocurría en Chivay.
  • Miniatura
    Ítem
    Identificación de muestras de irradiancia solar de cielo claro mediante aprendizaje automático no supervisado
    (ASADES, 2025) Rivera-Lera, Nicolás; Manrique, Miriam; Salazar, Germán; Ledesma, Rubén; Laguarda, Agustín
    Este trabajo presenta un enfoque para la detección de muestras de cielo claro a partir del análisis de series temporales de Irradiancia Global Horizontal (GHI) y técnicas del tipo no supervisadas de machine learning. Además, propone un modelo local de cielo claro ajustado mediante regresión tipo potencia sobre la Irradiancia Horizontal en el tope de la atmósfera, sobre las muestras obtenidas. Se desarrolló un detector de muestras de cielo claro basado en umbrales de derivadas (primera y segunda), clustering no supervisado utilizando el modelo Gaussian Mixture Models y análisis de densidad de datos vecinos para ser aplicados sobre una serie de GHI. La aplicación de este detector se realizó sobre datos de GHI provenientes del sitio Desert Rock (Estados Unidos) a escala de 1 minuto, extraídos de la red Surface Radiation Budget Network (SURFRAD). Se contrastaron las muestras detectadas con el algoritmo de Reno y Hansen (2016), utilizado como referencia. Estas muestras mostraron más del 90% de coincidencia. El modelo de cielo claro obtenido presentó métricas menores a un 10% en rRMSE con el modelo McClear.