Ayuda
Ir al contenido

Dialnet


Redes neuronales en la predicción de la velocidad del viento

    1. [1] Universidad Nacional de Chimborazo

      Universidad Nacional de Chimborazo

      Riobamba, Ecuador

    2. [2] Escuela Superior Politécnica de Chimborazo, Riobamba,
  • Localización: Polo del Conocimiento: Revista científico - profesional, ISSN-e 2550-682X, Vol. 5, Nº. 5, 2020, págs. 4-40
  • Idioma: español
  • Enlaces
  • Resumen
    • La necesidad de aumentar la contribución de las energías renovables no convencionales, dentro de la matriz productiva en Ecuador, está aumentando. Este contexto ha llevado a varias instituciones públicas y privadas a emprender proyectos de energía eólica, entre los cuales la Escuela Politécnica de Chimborazo ha emprendido el proyecto de generación de energía eólica, instalando estaciones meteorológicas en diferentes áreas de la provincia de Chimborazo, con el objetivo de analizar la viabilidad del viento. Generación de energía. Sin embargo, el auge de las fuentes de energía renovable en los últimos años ha obligado a un nuevo problema de pronóstico, a saber, saber con tiempo suficiente la energía que podrían generar los futuros parques eólicos. En este contexto, surge la necesidad de contar con herramientas que sean capaces de predecir el comportamiento aleatorio de la velocidad del viento, con un cierto grado de confiabilidad, con el fin de predecir cuánta energía puede entregarse al sistema en un momento dado. El estudio aplicado responde a una investigación exploratoria, con elementos descriptivos y explicativos, que incluye la agrupación de datos históricos, el análisis del comportamiento de la velocidad del viento, a través de técnicas de aprendizaje automático como redes neuronales artificiales no lineales, no lineales y autogestionadas, aplicadas a un conjunto de datos medidos por hora, durante 12 meses consecutivos, de la estación meteorológica de Chimborazo, propiedad de ESPOCH. Los resultados obtenidos mostraron que el uso de ARN en el proceso de predicción es muy eficiente con un nivel de aprendizaje automático del 8% y un nivel de rendimiento medido a través del error cuadrado medio de 0.016 con un horizonte de predicción de setenta y dos horas, lo que permitirá predecir con un alto grado de fiabilidad, la cantidad de energía eólica que se debe tener.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno