Optimización subrogada de una planta solar térmica integrada a procesos industriales mediante herramientas de Machine Learning

Abstract

Considerando el gran recurso solar que posee Chile, la generación de energía térmica mediante energía solar es una propuesta con gran potencial, pero es necesario que estas sean atractivas en un nivel tecno-económico. Una forma de lograr esto es mediante el uso de algoritmos computacionales, así el objetivo general del presente trabajo corresponde a desarrollar y aplicar un modelo basado en algoritmos de Machine Learning para optimizar el diseño de una planta solar térmica integradas a procesos industriales. La metodología sería diseñar los modelos de Machine Learning mediante herramientas de calibración (tuner) de hiperparámetros, identificar que tipo de preprocesamiento tiene menor error para ser utilizados en la optimización, diseñar los algoritmos de optimización para finalmente realizar nuevas simulaciones para la validación de resultados. Para esto se utilizaron Redes Neuronales y Árboles de Decisión entrenados con dos datasets diferentes, uno uniforme con datos equiespaciados, y el otro con datos al azar, dentro de respectivos rangos. También se utilizaron preprocesamientos diferentes para analizar cual permite un mejor aprendizaje de los modelos. Se realizaron optimizaciones correspondientes mediante Algoritmos Genéticos y su variación NSGA-II. Todos los modelos fueron desarrollados en el lenguaje de programación Python utilizando las librerías TensorFlow, Scikit-Learn, PyGad y Pymoo principalmente. Los resultados obtenidos corresponden a que el mejor tipo de preprocesamiento para todos los modelos correspondió a Standard Scaler, donde se obtuvieron los menores errores de predicción; para el caso de Redes Neuronales entrenados con el primer dataset mencionado un 0.12%. También que para este caso Redes Neuronales tuvo un mejor desempeño de Árboles de Decisión, y que los modelos entrenados con el dataset uniforme era capaz de entregar mejores resultados con una gran capacidad de predicción e interpolación de los datos. Así, en el trabajo se concluye que la optimización multiobjetivo con el modelo de Redes Neuronales entrenados con un dataset uniforme entrega resultados con muy bajo error porcentual, bajo el 2%, en comparación a los nuevamente simulados. También se concluye que los modelos de Machine Learning utilizados en la optimización deben tener un muy bajo error, para evitar problemas en la optimización y que los resultados no sean concluyentes.