Observatorio de Investigación y Desarrollo Tecnológico


  • POLO DEL CONOCIMIENTO//(EDICION NUM. 45, VOL. 5, NUM. 5)

    Volumen: 5, Numero: 5, Páginas: 4-40 pp.

    REDES NEURONALES EN LA PREDICCION DE LA VELOCIDAD DEL VIENTO

    Abstract

    The need to increase the contribution of non-conventional renewable energies, within the productive matrix in Ecuador, is increasing. This context has prompted several public and private institutions to undertake wind power projects, among which the Chimborazo Polytechnic School has undertaken the wind power generation project, installing meteorological stations in different areas of the province of Chimborazo, with the aim to analyze the viability of wind power generation. However, the boom in renewable energy sources in recent years has forced a new forecasting problem, namely, to know in sufficient time the energy that could be generated by future wind farms. In this context, the need arises to have tools that are capable of predicting the random behavior of wind speed, with a certain degree of reliability, in order to predict how much energy can be delivered to the system at a given time. The applied study responds to an exploratory research, with descriptive and explanatory elements, which includes the grouping of historical data, wind speed behavior analysis, through automatic learning techniques such as non-linear, non-linear, self-managing artificial neural networks, applied to a set of data measured hourly, for 12 consecutive months, of the Chimborazo meteorological station, property of ESPOCH. The results obtained showed that the use of RNA in the prediction process is very efficient with an automatic learning level of 8 percent and a performance level measured through the mean square error of 0.016 with a prediction horizon of seventy two hours, which will allow to predict with a high degree of reliability, the amount of wind energy to be.


    Keywords


    Learning, aztomatic, wind, error, Matlab, meteorology, potential, neural networks, speed


    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 por ciento 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.


    Palabras Clave


    Aprendizaje, automático, viento, error, Matlab, meteorología, potencial, redes, neuronales, velocidad, viento





    Acceder