In this thesis, the forecasting of different kind of time series related to the photovoltaic generation is presented. These signals are taken from an interconnected panel system to the grid located at the postgraduate of electrical engineering of the Universidad Michoacana De San Nicolas de Hidalgo (UMSNH), Morelia, Michoacan, Mexico. Several time series for forecasting are obtained from the inverters connected to the solar panels via website. Mainly, two-time series are taking into account: voltage generated and temperature. Also, from a meteorological station located in the same place, the solar radiation time series is used for forecasting. In this research, the Autoregressive Integrated Moving Average (ARIMA), Support Vector Machine (SVM), and K-Nearest Neighbors (KNN) methods are presented for forecasting the different time series. These methods are implemented in Phython and Matlab. For the ARIMA model, different values for p, d, and q are used. Also, for the SVM method different kind of Kernel are tested, and for the K-NN method, different values of K are used. These variations in their characteristics are implemented with the objective to test which one is the best for forecasting of the time series presented in this thesis. For the best configurations of the propose methods, several tests are made with the objective to determined which one is the best to forecasting the time series related with the photovoltaic generation. Also, Takens' theorem is used to improve the forecasting with the K-NN method.
Este trabajo de tesis, presenta la predicción de distintas series de tiempo relacionadas con la generación fotovoltaica, tomadas de un sistema de paneles interconectados a la red e instalados en el Laboratorio de Potencia de la División de estudios de Posgrado de la Facultad de Ingeniería Eléctrica, de la Universidad Michoacana De San Nicolás De Hidalgo (UMSNH), ubicada en la ciudad de Morelia, en el estado de Michoacán. Se tomaron datos de voltaje generado y temperatura de la página web del fabricante de los inversores. También se tomaron en cuenta los datos de radiación solar de la estación meteorológica ubicada ahí mismo, más específico en el techo del laboratorio. Con estas series de tiempo, se realiza su predicción usando la MSV y K-NN, además del modelo ARIMA. Estos métodos fueron ejecutados utilizando funciones de Python y Matlab. Para las primeras pruebas, se usa la serie de tiempo de temperatura, para lo cual se utilizaron diversas configuraciones de estos métodos basados en aprendizaje de máquina y del modelo ARIMA, tales como fueron distintos tipos de funciones Kernel para el método MSV, valores diferentes de K para el método K-NN y diferentes valores para p, d, y q en el modelo ARIMA; esto con el objetivo de saber cuál es la mejor configuración de cada uno de los métodos propuestos para los casos de estudios presentados, los cuales son series de tiempo implicadas en la generación fotovoltaica. Se hicieron varias pruebas con las mejores configuraciones de cada uno de los métodos propuestos, con el objetivo de determinar cuál de estos tres es el mejor trabajando con las series de tiempo relacionadas con la generación de fotovoltaica. Además, se aplica el teorema de Takens en conjunto con el método de aprendizaje de máquina que mejor resultados arroja, con la finalidad de mejorar la predicción.
