Mostrar el registro sencillo del ítem

dc.contributor.advisorFernández Rodríguez, María Lourdeses-ES
dc.contributor.authorChacón Rueda, Ana Maríaes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresarialeses_ES
dc.date.accessioned2023-06-12T15:33:23Z
dc.date.available2023-06-12T15:33:23Z
dc.date.issued2024es_ES
dc.identifier.urihttp://hdl.handle.net/11531/78777
dc.descriptionGrado en Administración y Dirección de Empresas y Grado en Análisis de Negocios/Business Analyticses_ES
dc.description.abstractEl presente Trabajo de Fin de Grado pretende analizar el sector energético con un enfoque en las fuentes renovables. En los últimos años, las energías alternativas han ganado cada vez más presencia como respuesta al cambio climático y al alto coste de las energías convencionales. El objetivo principal es estudiar la evolución de la energía renovable a escala mundial y predecir su desarrollo en los próximos años. Se ha realizado una reducción de dimensionalidad de los datos a través de Análisis de Componentes Principales para eliminar información redundante. Además, se han aplicado modelos de redes neuronales para predecir nuevos datos y obtener la proyección de la proporción de generación y uso de energía renovable frente al total. Las predicciones obtenidas indican que la evolución de la cuota de energía renovable variará según el país: en algunos la tendencia es positiva mientras que en otros se mantendrá más estable. Sin embargo, estos resultados no son representativos a nivel global ya que solo se han obtenido las proyecciones para un número limitado, por lo que no se puede concluir que este comportamiento ocurra de manera generalizada para todos los países. A pesar de que los resultados son coherentes, se ha identificado la necesidad de ampliar el conjunto de datos o emplear modelos de regresión más sencillos a los utilizados para conseguir predicciones más precisas y evitar incurrir en overfitting.es-ES
dc.description.abstractThis project aims to analyze the energy sector with a focus on renewable energy. In recent years, alternative energies have gained increasing prominence in response to climate change and the high costs of conventional energy sources. The main objective is to study the evolution of renewable energy on a global scale and predict its development in next years. Principal Component Analysis (PCA) was used to reduce data dimensionality and eliminate redundant information. Additionally, neural network models were employed to predict new data and project the proportion of renewable energy generation and usage relative to the total energy. Predictions indicate that the evolution of the renewable energy share will vary by country: in some, the trend is positive, while in others, it will remain more stable. However, these results are not globally representative, as projections were only made for a limited number of countries, so it cannot be concluded that this behavior is generalized worldwide. Although the results are coherent, the need to expand the dataset or use simpler regression models has been identified to achieve more accurate predictions and avoid overfitting.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherKBAes_ES
dc.titleAnálisis del sector energético y el crecimiento de las energías renovableses_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordsenergías renovables, machine learning, predicción de energías renovables, evolución de energías renovableses-ES
dc.keywordsrenewable energy, machine learning, renewable energy prediction, renewable energy evolutionen-GB


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 United States
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 United States