Esta tesis tiene como objetivo la optimización de la explotación de recursos energéticos renovables, así como la mejora en la gestión de instalaciones en ingeniería oceánica y aeropuertos, usando métodos computacionales híbridos pertenecientes a una rama de la Inteligencia Artificial (IA), denominada aprendizaje máquina, para este fin. Hoy en día, los combustibles fósiles constituyen la fuente energética más importante del planeta, sin embargo, estas formas de energía contribuyen al Cambio Climático en gran medida, afectando los ecosistemas severamente. Por esta razón, se tiende gradualmente al uso de fuentes de energía renovables que garanticen un desarrollo sostenible. Sin embargo, se observa una lenta evolución en este sentido, y la única cuestión que cabe preguntarse es cuándo las energías renovables tendrán mayor penetración en el sistema que los actuales combustibles fósiles. Para responder a esta pregunta, una buena manera es centrarse en el principal inconveniente de este tipo de energías: la variabilidad natural inherente al recurso. Esto significa que las predicciones sobre los parámetros más importantes de los que dependen las energías renovables son necesarias para conocer la cantidad de energía que será obtenida en un momento dado. El otro tema abordado en esta tesis está relacionado con los parámetros que influyen en diferentes actividades marinas y aeropuertos, cuyo conocimiento de su comportamiento es necesario para desarrollar una correcta gestión de las instalaciones en estos entornos. Por ejemplo, la altura significativa de las olas (Hs) es un parámetro básico en la caracterización de las olas, muy importante para el desarrollo de actividades marinas como el diseño y mantenimiento de barcos, estructuras marinas, convertidores energéticos de ola, etc. Por otro lado, la escasa visibilidad en los aeropuertos, normalmente causada por la niebla, es otro aspecto fundamental para el correcto desarrollo de actividades aeroportuarias, y que puede causar retrasos en los vuelos, desvíos y cancelaciones, o accidentes en el peor de los casos. En este trabajo se ha realizado un análisis del estado del arte de los modelos de aprendizaje máquina que se utilizan actualmente, con el objetivo de resolver los problemas asociados a los temas tratados con anterioridad. Diferentes contribuciones han sido propuestas: - Uno de los pilares esenciales de este trabajo está centrado en la estimación de los parámetros más importantes en la explotación de energías renovables. Con este propósito, los algoritmos Vectores Soporte para Regresión (VSR), Redes Neuronales (RN) (Perceptrones Multicapa (MLP) y Máquinas de Aprendizaje Extremo (MAE)) y Procesos Gaussianos son utilizados en diferentes problemas prácticos. El rendimiento de estos algoritmos es analizado en cada uno de los experimentos realizados, tanto la precisión de los mismos como la especificación de las características internas.
- Otro de los aspectos tratados está relacionado con problemas de selección de características. Concretamente, con el uso de algoritmos evolutivos como Algoritmos de Agrupación Genética (AAG) o los algoritmos de Optimización de Arrecife de Coral (OAC) hibridizados con otros métodos de aprendizaje máquina como clasificadores y regresores. En este sentido, el AAG o OAC analizan diferentes conjuntos de características para obtener aquel que resuelva el problema con la mayor precisión, y el regresor empleado proporciona la predicción en función de las características obtenidas por el Algoritmo Genético (AG), reduciendo el coste computacional con gran fiabilidad en los resultados.
This Ph.D. thesis deals with the optimization of several renewable energy resources development as well as the improvement of facilities management in oceanic engineering and airports, using computational hybrid methods belonging to Artificial Intelligent (AI) to this end. These problems will be summarized hereafter with the technical solutions proposed at the end of the section.
Energy is essential to our society in order to ensure a good quality of life. Nowadays, fossil fuels are the most important energy source in the planet. However they contribute to Climate Change greatly, affecting the ecosystems severely. For this reason, there is a trend to gradually use renewable resources which guarantee a sustainable development. In fact, a penetration of these resources over the 50% are expected in fifty years. Obviously, that process shall not be the same in all countries due to renewable energy resources are not uniformly distributed throughout the World. It is important to note that different regions rely on different renewable technologies, so they can contribute to regional development in a larger or lesser degree. The main drawback of renewable energies is the natural variability inherent to the resource. This means that predictions over the characteristics on which renewable energies depend are necessary, in order to know the amount of energy that will be obtained at any time.
The second topic tackled in this thesis is related to the basic parameters that influence in different marine activities and airports, whose knowledge is necessary to develop a proper facilities management in these environments. For instance, the Significant Wave Height (Hs) is a basic parameter in wave characterization, important to different problems in marine activities such as the design and management of vessels, marine structures, Wave Energy Converters (WECs), etc. On the other hand, the low-visibility events at airports, normally caused by fog events, is another fundamental issue in airport activities which can cause flight delays, diversions and cancellations or accidents in the worst cases.
Within this work, a study of the state-of-the-art Machine Learning (ML) have been performed to solve the problems associated with the topics above-mentioned, and several contributions have been proposed:
• One of the pillars of this work is focused on the estimation of the most important parameters in the exploitation of renewable resources. For this purpose, Support-Vector Regression (SVR), Neural Network (NN) (Multi-Layer Perceptron (MLP) and Extreme-Learning Machine (ELM)) and Gaussian process (GP) algorithms are used in several practical problems. The performance of these algorithms is discussed in every experiment carried out, and also the specific settings of the algorithms, as well as internal characteristics of the models.
• The second contribution of this thesis is related to feature selection problems. More specifically, the use of EAs as Grouping Genetic Algorithm (GGA) or Coral Reef Optimization (CRO) hybridized with others ML approaches as classifiers and regressors. Regarding this, the GGA or CRO looks for several subsets of features important to solve the problem, and the regressor employed provides the prediction in terms of the features selected by the Genetic Algorithm (GA), reducing the computational cost with a good accuracy.
The proposed methodologies are applied to multiple problems: the prediction of Hs, relevant for marine energy applications and marine activities, the estimation of Wind Power Ramps Events (WPREs), undesirable variations in the electric power produced by a wind farm, the prediction of global solar radiation in areas from Spain and Australia, really important in terms of solar energy, and the prediction of low-visibility events at airports. All of these practical issues are developed with the consequent previous data analysis, normally, in terms of meteorological variables.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados