Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/23545
Título : Modelo matemático para predecir la producción de energía eólica a corto plazo, utilizando redes neuronales.
Autor : Maldonado Correa, Jorge Luis
Vicente Guayanay, Jayden Byron
Palabras clave : <INTELIGENCIA ARTIFICIAL>< REDES NARX>< PREDICCIÓN DE VIENTO>< AEROGENERADORES>< POTENCIA EÓLICA>
Fecha de publicación : 31-ago-2020
Editorial : Universidad Nacional de Loja
Resumen : El presente trabajo de titulación está enfocado en el desarrollo de un modelo de predicción de energía eólica a corto plazo (horizonte de un día) para la Central Eólica Villonaco (CEV), basado en inteligencia artificial, con redes neuronales artificiales (RNAs) especialmente NARX (nonlinear nutorregresive network with exogenous inputs). Teniendo como punto de partida los registros de velocidad de viento y potencia activa desde el año 2014 hasta el 2018. Antes de hacer uso de los datos proporcionados fue necesario realizar un preprocesamiento de la información, rellenar datos perdidos de viento y potencia haciendo uso del software Excel. También fue necesario realizar un tratamiento de datos de viento y potencia activa, suprimiendo así datos atípicos. Previo al proceso de entrenamiento de las RNAs se diseñó un modelo matemático haciendo uso del software yEd Graph Editor®, que permitió generar un flujograma del proceso de predicción de energía eólica. En el proceso de entrenamiento se hizo uso de Neural Network ToolboxTM de MatLab® en la herramienta de Neural Time Series con redes NARX, que se especializa en series de datos que evolución en el tiempo. Luego de un proceso de entrenamientos y evaluación se probaron diversas topologías en la estructura de los datos de entrada y salida. Se definió finalmente por entrenar una RNA por cada mes del año, y se ingresaron los datos para su aprendizaje desde el 2014 hasta el 2017, dejando así el año 2018 para validar el modelo. Para evaluar el rendimiento y precisión de las RNAs se utilizó el estimador de error cuadrático medio (MSE) proporcionado por MatLab®, en lazo abierto y lazo cerrado de la red neuronal, así como también el coeficiente de correlación de Pearson (R). Otro tipo de evaluación se realizó con los datos del 2018 que son datos que no se ocuparon en el entrenamiento, por lo que para evaluar el nivel de precisión se ocuparon el MSE y error relativo medio (ERM). Palabras claves: método de bines, inteligencia artificial, redes Narx, predicción de viento, aerogeneradores, potencia eólica.
Descripción : This degree work is focused on the development of a short-term wind energy prediction model (one-day horizon) for the Villonaco Wind Power Station (CEV), based on artificial intelligence, with artificial neural networks (RNAs), especially NARX (nonlinear autorregresive network with exogenous inputs). Taking as a starting point the records of wind speed and active power from 2014 to 2018. Before making use of the data provided, it was necessary to pre-process the information, fill in wind and power data gaps using the Excel software. It was also necessary to carry out a treatment of wind and active power data, thus suppressing outliers. Before the RNAs training process, a mathematical model was designed using the yEd Graph Editor® software, which allowed generating a flow chart of the wind energy prediction process. In the training process, use was made of Neural Network ToolboxTMMatLab® in the Neural Time Series tool with NARX networks, which specializes in data series that evolve over time. After a training and evaluation process, various topologies in the structure of the input and output data were tested. It was finally defined by training an ANN for each month of the year, and data were entered for its learning from 2014 to 2017, thus leaving 2018 to validate the ANNs. To evaluate the performance and precision of the RNAs, the mean squared error estimator (MSE) provided by MatLab® at the end of training, in the open loop and closed loop of the neural network, was used, as well as the Pearson correlation coefficient (R). Another type of evaluation was performed with the 2018 data, which is data that was not used in training, so the MSE and mean relative error (ERM) were used to evaluate the level of precision. Keywords: bin method, artificial intelligence, Narx networks, wind forecasting, wind turbines, wind power.
URI : https://dspace.unl.edu.ec/jspui/handle/123456789/23545
Aparece en las colecciones: TRABAJOS DE TITULACION AEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Jayden Byron_Vicente Guayanay.pdf15,65 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.