Evaluación del potencial eólico y predicción de la
velocidad de viento con Minería de Datos
Carlos Luis Vargas Guevara
Universidad Técnica de Ambato, Ecuador
cvargas0028@uta.edu.ec
https://orcid.org/0000-0003-2050-2342
Resumen
El flujo del viento se ha visto afectado por factores como la rugosidad y la topografía del
terreno que producen perturbaciones en su movimiento. La presencia de colinas puede
generar, por un lado, aumento de velocidad en el viento hasta llegar a la cima, pero, a su
vez, en la parte inferior aumenta la turbulencia produciendo efectos de recirculación. Este
comportamiento no permite conocer en detalle el desarrollo de los perfiles de velocidad
y la energía cinética turbulenta del viento. En este sentido, por el gran interés en el estudio
del flujo de aire en terrenos complejos, el presente proyecto tiene como objetivo la
evaluación del recurso eólico en terrenos complejos, específicamente en un túnel de
viento natural ubicado entre el nevado Chimborazo y Carihuairazo del Ecuador, además
de la predicción de la velocidad para un nuevo horizonte de tiempo.
Palabras clave: minería de datos, energía, generación, predicción, velocidad, viento
Abstract
The flow of the wind has been affected by factors such as roughness and topography of
the terrain, which produce disturbances in its movement. The presence of hills can
generate, on the one hand, an increase in wind speed until reaching the top, but in turn, in
the lower part it increases turbulence producing recirculation effects. This behavior does
not allow to know in detail the development of the velocity profiles and the turbulent
kinetic energy of the wind. In this sense, due to the great interest in the study of air flow
in complex terrains, the present project consists of the evaluation of the wind resource in
complex lands, specifically in a natural wind tunnel located between the snow-covered
Chimborazo and Carihuairazo of Ecuador, and the prediction of the wind speed for a new
time horizon.
Keywords: data mining, energy, generation, prediction, speed, wind
Introducción
La energía es un recurso que se ha convertido en uno de los pilares fundamentales de las
economías actuales por su facilidad para distribuirla (Torrijos Moreno, J., 2019). La
predicción de energía renovable facilita que nuevas fuentes de energía eléctrica alcancen
un mayor interés en las redes eléctricas actuales y es uno de los soportes para las redes
eléctricas del futuro o más conocidas como “Smart grids”. Una vez que se consigue la
independencia energética y la robustez a la producción de energía eléctrica proveniente
de combustibles fósiles se minimizan las fluctuaciones de los precios por diversos
motivos, entre ellos el impacto ambiental causado por la gestión de residuos (Medina &
Juan, 2012).
Un factor común que se presenta en la energía solar y eólica es la aleatoriedad. Por lo
impredecible del potencial energético extraíble de la atmósfera, la mayoría de los
enfoques de predicción se basan en modelos físicos que emplean simulaciones numéricas
del tiempo. Asimismo, la variabilidad es el factor por el que las energías renovables
siguen teniendo una escasa penetración, una técnica para estimar la incertidumbre de la
variable predicha son los métodos de predicción denominados probabilistas (Medina &
Juan, 2012).
La energía eólica ha tenido un desarrollo importante en la generación de electricidad. En
en el año 2012 se registró una potencia de 282,59 GW instalados en el mundo, esta se
encuentra distribuida de la siguiente manera: 109.58 GW para Europa, 97.57 GW
instalados en Asia, 67.58 GW en América del Norte, 3.22 GW en la región del Pacífico,
1.14 GW en África y medio oriente y finalmente 3.51GW en América Latina y el Caribe
(Cortes - Pérez, Sierra-Vargas, & Arango - Gómez, 2016).
Un tema de interés son las predicciones probabilísticas, el índice de riesgo y las
proyecciones espacio-tiempo en rangos muy cortos, cortos, medianos y largo plazo. De
esta manera se desarrollan cuatro aspectos en los que se incluyen: la distribución
predictiva, los parámetros de localización, escala y la evaluación (Cortes - Pérez, Sierra-
Vargas, & Arango - Gómez, 2016).
La contaminación ambiental y el consumo de combustibles fósiles para obtener energía
eléctrica se incrementan anualmente. La mitigación de este problema exige la búsqueda
de nuevas fuentes de energía alternativas, amigables con el medio ambiente y que
contribuyan a la conservación del planeta, de esta manera, una de las soluciones más
relevantes asociadas a la generación de energía limpia es la explotación del recurso eólico
(Lawan, Abidin, Lawan, Bichi, & Abba, 2017). No obstante, el flujo del viento se ve
afectado por factores como la rugosidad y la topografía del terreno, es así que se deben
implementar técnicas y metodologías de aprovechamiento del potencial eólico que
evalúen y pronostiquen la velocidad de este recurso. La presencia de colinas, por ejemplo,
puede ser por un lado beneficiosa, ya que la velocidad del viento aumenta al llegar a la
cima, pero, por otro lado, pendiente abajo, la turbulencia se ve incrementada, produciendo
efectos de recirculación. Este comportamiento no permite conocer con detalle el
desarrollo de los perfiles de velocidad y la energía cinética turbulenta del viento, en este
sentido, existe en la actualidad un gran interés sobre el estudio del flujo de aire en terrenos
complejos. Es así como, en el presente artículo, se abordará la predicción de energía a
través de técnicas de Minería de Datos.
En el presente artículo se describe la evaluación del recurso eólico en terreno complejo,
específicamente en un túnel natural de viento ubicado entre los nevados Chimborazo y
Carihuayrazo en la cordillera occidental de los Andes del Ecuador, además de la
predicción de generación de energía eléctrica eólica en un horizonte de 24 horas. El aporte
científico de la presente propuesta es la evaluación del potencial eólico del sector en
estudio y la predicción de la velocidad del viento empleando técnicas de minería de datos.
1. Análisis y revisión de métodos de predicción
En los últimos años las energías renovables han presentado una gran penetración en los
sistemas eléctricos de diferentes países del mundo, por lo que se han desarrollado varios
estudios en cuanto al monitoreo y predicción de la generación eléctrica. Las estructuras
complejas de la superficie de la tierra, tales como colinas, cambian profundamente el flujo
de viento, afectando la velocidad y dirección. En la cima de las colinas la velocidad de
viento puede ser incrementada en forma significativa, debido a la compresión de las líneas
de flujo, esto se conoce como el efecto colina. Estos incrementos de la velocidad de viento
son una de las razones por las que las turbinas eólicas se instalan en la cima. La presencia
de valles entre colinas produce el efecto túnel, donde la dirección del viento se desvía
considerablemente del flujo de aire no perturbado (Medina & Juan, 2012).
Para el estudio del flujo de aire sobre colinas se han desarrollado una variedad de modelos
y técnicas numéricas, estas interpretan y resuelven las ecuaciones fundamentales del flujo
de fluidos como son la conservación de la masa, la conservación de la energía y la
cantidad de movimiento para flujo viscoso representadas en un análisis estadístico
multivariante a través de técnicas como la correlación.
Se propone un modelo de predicción estadístico/CFD basado en Random Forests, ya que
este utiliza la distribución de Weibull para el análisis de los datos medidos, el modelo es
capaz de reproducir la variación espacial de la velocidad de viento sobre terreno
complejo, luego es validado en un túnel de viento para mejorar la precisión para la
predicción.
Metodología
Como métodos estadísticos que poseen una caja negra están los análisis de series
temporales. Una ventaja de estos métodos es la capacidad de modelar en una sola etapa
la predicción meteo-energética que se produce en la etapa de adaptación/entrenamiento.
A su vez, están los métodos conocidos como “predicción numérica del tiempo - NWP”.
Estos modelan la dinámica y la física de la atmósfera, entre los más usados resaltan los
globales y los de meso escala.
Una tercera técnica son los denominados MOS (Model Output Statistics), que se basan
en tomar la predicción de un NWP más un conjunto de observaciones pasadas para emitir
una nueva predicción. Una consideración especial es que en un horizonte de predicción
comprendido de una a seis horas, los métodos estadísticos suelen ser relativamente
mejores (Medina & Juan, 2012).
Por otra parte, otros utilizados son los métodos de predicción probabilista, estos presentan
un nivel de formalismo relacionado con el estudio de la incertidumbre. Existen dos de
este tipo: los denominados “ensemble”, cuyo significado es predicción por conjuntos y
los que probabilizan una predicción puntual (Bayram, Murat, Tahir, & Ziyaddim, 2018).
Una de las ventajas de este método es la capacidad de determinar la predictibilidad de
cada región utilizando condiciones actuales. Una variante menos costosa que ensemble
es la “Poor man’s ensemble”, que toma predicciones en distintos momentos ya pasados,
o empleando modelos ya existentes (Medina & Juan, 2012).
El conjunto de datos empleado para el presente trabajo ha sido proporcionado por el grupo
de investigación Reward de la Universidad Técnica de Ambato. Los datos medidos
corresponden a mediciones realizadas en una torre de 20 metros de altura, esta torre se
encuentra en la comunidad de Mechahuasca, ubicada entre las provincias de Bolívar y
Chimborazo.
Los datos adquiridos tienen una frecuencia de 10 minutos y corresponden a mediciones
realizadas en el año 2018 entre los meses de enero a mayo, sumando un total de 19657
datos, en la Tabla 1 se visualizan las magnitudes adquiridas y el formato de cada una.
Tabla 1.
Magnitudes adquiridas
MAGNITUD
FORMATO
Fecha
Dd/mm/aa
Tiempo
Hh/mm/ss
Datos
Numérica ascendente
Velocidad del Viento
m/s
Temperatura
ºC
Presión Atmosférica
Bares
Radiación solar
w/m2
Dirección del viento
Grados
Humedad
HR
Fuente: elaboración propia
El conjunto de datos permite obtener en si una matriz de datos X(nxp), en donde (n) es el
número de individuos de la matriz de datos, mientras que (p) representa al número de
variables que se relacionan con dichos individuos. En la presente investigación se va a
trabajar con una matriz de datos de dimensiones 19657 individuos por 6 variables.
1. Análisis estadístico multivariante
A partir de la matriz de datos obtenida se pueden realizar varios análisis de datos. Uno de
los más empleados para describir el comportamiento de las variables es el análisis
estadístico multivariante. De esta manera se analiza la relación de las variables con cada
uno de los individuos de la matriz de datos, en este sentido se aplican las diferentes
medidas estadísticas (Bektas, Kücükdeniz , & Özcan, 2017).
La desviación estándar es una medida que se usa para cuantificar la variación o dispersión
de un conjunto de datos numéricos (Borovsky, 2019). En (1) se presenta la ecuación que
permite la desviación estándar con la que se realizan las estimaciones para minimizar los
errores aleatorios.
𝜎 = √
1
∑
𝑁
(
𝑥 − 𝜇)
2
(1)
𝑁
𝑖=1 𝑖
En Python obtener la desviación estándar es sencillo ya que se dispone de la función (std).
En la Tabla 2 se muestran los valores de desviación estándar alcanzados en el presente
análisis.
Tabla 2.
Valores de Desviación Estándar
Variable
Valor de
Desviación
Estándar
VELOCIDAD_VIENTO
4.262831
TEMPERATURA
2.226710
PRESION_ATMOSFERICA
1.181077
RADIACION_SOLAR
278.814786
DIRECCION_VIENTO
82.944563
HUMEDAD
22.524698
Fuente: elaboración propia
Por otra parte, la varianza de una variable aleatoria es una medida de dispersión definida
como la esperanza del cuadrado de la desviación de dicha variable respecto a su media,
la fórmula que la representa se muestra en (2).
𝜎
2
=
1
∑
𝑛
(
𝑥
− 𝑋
)
2
(2)
𝑛 𝑖=1 𝑖
Mientas que los datos de las varianzas analizadas se aprecian en la Figura 1.
Figura 1. Datos de la Varianza
Fuente: elaboración propia
La medida de tendencia central más conocida y utilizada es la media aritmética o
promedio aritmético. En la Tabla 3 se presentan los valores promedio de las variables
analizadas. Tabla 3.
Valores promedio de las Variables
Variable
Valor Promedio
VELOCIDAD_VIENTO
7.969444
TEMPERATURA
4.28506
PRESION_ATMOSFERICA
611.996
RADIACION_SOLAR
180.163
DIRECCION_VIENTO
116.152
HUMEDAD
65.9564
Fuente: elaboración propia
Otra medida de tendencia central es la mediana, esta corresponde al valor de la variable
que ocupa la posición central, cuando los datos se disponen en orden de magnitud (Piazzi,
2017). En la Tabla 4 se evidencian los valores asociados a los valores de mediana.
Tabla 4.
Valores de mediana de las Variables
Variable
Valor Mediana
VELOCIDAD_VIENTO
7.9
TEMPERATURA
3.7
PRESION_ATMOSFERICA
612.0
RADIACION_SOLAR
2.3
DIRECCION_VIENTO
79.0
HUMEDAD
63.8
Fuente: elaboración propia
2. Análisis Gráfico
El análisis gráfico es una forma sencilla de representar una situación, problema, esquema,
sistema o en general para representar las características de un conjunto de datos (Sun,
2017). De esta manera se proporciona al lector la mayor cantidad de información con solo
un vistazo. En datos multivariantes es difícil transmitir la información y no resulta
sencillo su elaboración. En este sentido, el software de análisis de datos Python integra
librerías como matplotlib que facilitan la elaboración de estos. En la Figura 2 se muestra
la distribución de los datos en forma gráfica.
Figura 2. Distribución de Datos por Variable
Fuente: elaboración propia.
Parte del análisis gráfico asociado a los valores de variables es la detección de valores
extraños o atípicos que se pueden realizar en el proceso de medición (Narayana, 2017).
Generalmente los datos atípicos se encuentran entre 1-3% en experimentos no
controlados y alrededor de un 5% en experimentos no controlados, una forma de detectar
valores atípicos es gracias al empleo de los diagramas de caja. La caja central indica el
rango en el que se concentra el 50% central de los datos. La línea central representa a la
mediana, mientras que los extremos son los “bigotes” y delimitan el 95% de los datos.
Los datos atípicos suelen estar representados fuera de los bigotes, como se puede apreciar
en la Figura 3.
Figura 3. Diagrama de caja de las variables analizadas
Fuente: elaboración propia
La matriz de correlación es una matriz conformada por (n) filas y por (n) columnas.
Además, es una matriz simétrica; es decir, que los valores de los elementos a[i,j] de la
matriz son el mismo valor en los elementos a[ji] de la matriz. Esta nos explica cómo se
encuentran relacionadas cada una de las variables con otra variable. Su diagonal siempre
contendrá el valor de 1, si tiene un valor 0 nos indicará que no tiene ninguna relación con
esa variable, por lo menos no lineal; es decir, puede que tenga una relación cuadrática o
de otro grado (Goh, Lee, Chua, Goh, & Teo, 2016).
Mientras que cuando la correlación es positiva, nos indica que su proyección de la
regresión lineal va a tender a crecer juntamente con la contra variable, y cuando es
negativa nos muestra que su proyección de la regresión lineal va a tender a decrecer
juntamente con la contra variable. En la Figura 4 se puede ver la matriz de correlaciones.
Figura 4. Matriz de correlación de las variables
Fuente: elaboración propia
3. Técnicas de Predicción
Para el estudio del potencial de energía eólico las variables que se consideran más
importantes son la velocidad y dirección del viento. Muchos expertos mencionan que un
error de medición del 1% puede ocasionar una desviación alrededor del 2% en la
producción de energía (Fischer, Montuelle, Mougeot, & Picard, 2017). Además, ningún
modelo matemático, ya sea físico o numérico, proporciona una solución perfecta y
definitiva (Chen & Pang, 2019). En los últimos años se han empleado redes neuronales
artificiales (ANN) para predicciones de velocidad y potencia del viento. Entre las
principales ventajas de las redes neuronales destacan: tolerancia a fallos, topología
simple, tiempo de computación rápido y capacidad de estimular funciones no lineales
(Mercado, García Fernández, & Acebey, 2016).
La tarea de predicción también puede formularse como un problema de regresión. En este
sentido se presentan diferentes técnicas, tales como: regresión lineal y regresión de
vectores de soporte. En una lineal se espera que el valor de predicción f (x) sea una
combinación lineal de las variables de entrada: f (w, x) = w0 + w1x1 + ··· + wNxN. El
objetivo es encontrar los coeficientes w = (w1, , wN) T que minimiza la suma residual
de los cuadrados entre las etiquetas observadas y (y) las respuestas predichas por la
aproximación lineal (Chen, Zeng, Zhou, Du, & Lu, 2018). Por otro lado, la regresión de
vectores de soporte es una de las técnicas más avanzadas para las tareas de predicción,
esta se basa en las máquinas de vectores de soporte (SVM) propuestas por Vapnik en
1995. La media absoluta de error es 0.906 y la media al error cuadrado es 0.934 del
modelo de predicción de regresión lineal para las cinco variables objetivo. Los resultados
muestran que la técnica SVR incluso logra mejores resultados que la regresión lineal si
uno toma solo las medidas absolutas como características y selecciona el número de pasos
pasados con cuidado (Sierra-Vargas & Arango-Gómez, 2016).
Una predicción precisa de la energía eólica a corto y largo plazo es importante para un
equilibrio seguro y sostenible de la red eléctrica. El comportamiento de una regresión
logística polinomial con solo la velocidad del viento como covariable es, al mismo
tiempo, simple y efectivo para la predicción de la potencia. Es interesante notar que los
métodos agnósticos son en este caso muy apropiados para la predicción y muestran
resultados prometedores con la mejor estabilidad (Parreño & Gomez , 2004).
La generación de energía eléctrica a través de aerogeneradores es una de las alternativas
de generación prácticamente inagotable (Optis & Perr-Sauer, 2019). Se considera una
fuente de energía limpia, pero aún necesita mucha investigación para el desarrollo de la
ciencia y las tecnologías que garanticen la uniformidad en la generación, proporcionando
una mayor participación de esta fuente en la matriz energética, ya que el viento presenta
variaciones abruptas en la velocidad (Feng , Cui, Hodge, & Zhang, 2017). En los sistemas
eléctricos basados en el viento es esencial predecir al menos con un día de antelación los
valores futuros del comportamiento del viento, a fin de evaluar la disponibilidad de
energía para el próximo período. Este documento desarrolla modelos de predicción
ultracortos, cortos, medianos y a largo plazo de la velocidad del viento, basados en
técnicas de inteligencia computacional, utilizando modelos de redes neuronales
artificiales, promedios móviles integrados autoregresivos (ARIMA) y modelos híbridos
que incluyen pronósticos con wavelets (Palomares Losada, 2002, Ali, Hassan, Ali, &
Kumar, 2017).
Actualmente los procesos de predicción están integrando nuevas técnicas que los
convierten en sistemas inteligentes. El aprendizaje supervisado está compuesto por dos
fases o etapas, la primera llamada entrenamiento, donde se observa las características más
relevantes de un evento que actúan como datos de entrada y la segunda conocida como
prueba, en esta se compara las características con nuevos datos de prueba y se obtiene al
final de estas dos etapas: un modelo entrenado y probado que intenta explicar los datos
de entrada. Prieto Emhart (2018) presenta la aplicación del algoritmo propuesto por
Huang que se denomina “Extreme Learning Machine”. Este algoritmo está atrayendo la
atención de miles de investigadores como una técnica de inteligencia artificial que
resuelve muchos de los problemas a los que se enfrentan otras técnicas, por ejemplo, su
lenta velocidad de aprendizaje (Pascual, y otros, 2010).
Resultados
El análisis de datos permitió identificar que la mayor cantidad de datos atípicos se
encuentra en los valores de la radiación solar, esto revela que el instrumento de medición
está mal configurado. Por otra parte, en la Figura 5 se muestra el diagrama de valores de
dirección del viento, de esta manera se evidencia que la mayor concentración de datos se
encuentra entre 45 grados tomados desde el norte geográfico.
Figura 5. Diagrama de Viento
Fuente: elaboración propia
Una de las técnicas analizadas para la predicción de valores futuro es el regresor. Sin
embargo, el uso de equipos informáticos permite asertividad de los métodos de predicción
para que sea más alta. Esta rama de estudios es conocida como inteligencia
computacional. Para el desarrollo del estudio se ha realizado una comparación entre 3
técnicas de inteligencia computacional (árboles de decisión, máquina de soporte vectorial
y red neuronal artificial) que son las más conocidas y empleadas para estudios de
predicción. La estructura de la red neuronal se seleccionará mediante un método
exhaustivo en el que se probarán varios números de neuronas. La mejor estructura
seleccionada será con la que el modelo presente el menor error cuadrático medio en el
conjunto de test.
En la Figura 6 se puede ver la velocidad del viento estimada por un árbol de decisión. En
Python se ha empleado el comando clf_DT=tree.DecisionTreeRegressor() que permite
estimar los valores a futuro a través de una regresión.
Figura 6. Valores de Velocidad de Viento con árbol de decisión
Fuente: elaboración propia
Asimismo, en la Figura 7 se evidencian los valores que pueden aparecer con el mínimo
error al emplear árboles de decisión (DT). El intervalo de confianza es calculado como el
menor rango de potencia que acumule el 95% de probabilidad de ocurrencia en el
histograma de salida. Además, se ha realizado una comparación con una predicción
simple que consiste en calcular la potencia utilizando como entrada al modelo
directamente la predicción de velocidad de viento. El método es computacionalmente
eficiente, se requieren menos de 10 segundos para obtener una predicción de potencia
para las próximas 36 horas.
De esta manera el valor de 3 m/s tiene mayor probabilidad de aparición con más del 1.4
de probabilidad.
Figura 7. Valores de velocidad del viento estimados por DT
Fuente: elaboración propia
Ahora bien, el empleo de una máquina de soporte vectorial permite reducir el error de los
valores estimados. No obstante, una técnica con mayor robustez es la red neuronal
artificial. Esta técnica de inteligencia computacional permite dividir al total de los datos
en dos grupos conocidos como prueba y entrenamiento o en términos anglosajones
training and testing. El modelo que mostró mejores resultados es la red neuronal MLP
con una mejora de un 62% en el error cuadrático medio con respecto al modelo de
referencia, superando ampliamente al modelo ARX, que mostró un progreso del 25% y
al modelo FIR, que mostró un 10%. Para la calibración de estos modelos se asume
conocida con exactitud la velocidad del viento en el futuro.
En la Figura 8 se reflejan los gráficos del entrenamiento de la red neuronal empleado en
el presente trabajo.
Figura 8. Datos de entrenamiento de la Red Neuronal
Fuente: elaboración propia
Asimismo, en la Figura 9 se presentan los datos del testing o prueba de la red neuronal.
Figura 9. Datos de prueba para la Red Neuronal
Fuente: elaboración propia
Finalmente, en la Figura 10 se muestran los datos estimados con mínimo error que
pueden aparecer al emplear una red neuronal.
Figura 10. Datos estimados con mínimo error por la Red Neuronal
Fuente: elaboración propia
De esta manera, una vez realizadas las diferentes simulaciones, se elige a la red neuronal
como la mejor técnica de inteligencia computacional, ya que presenta un error del
0.002%. Lo que indica que los datos de velocidad de viento con mayor probabilidad de
ocurrencia se encuentran alrededor de los 10m/s. Además, la presencia de datos con
velocidades mayores a 15m/s será muy escaza.
Conclusiones
La medida de la incertidumbre fue abordada en términos del valor del MAE para el
periodo de calibración, se plantea la posibilidad de mejoras significativas, en la medida
que se incorpore tanto asimilación de datos como corridas de ensembles.
El tratamiento de la incertidumbre amerita mayor profundidad de análisis. Un abordaje
del tipo dinámico puede ser planteado en términos de considerar la incertidumbre como
una variable a pronosticar. En este caso el modelo puede ser corrido con perturbaciones
en las condiciones iniciales generando pronósticos de potencia.
El análisis multivariante permite conocer la relación que existe entre las variables y
describir el comportamiento actual de los datos para estudios futuros. Mientras que
mediante el análisis gráfico el lector se puede determinar los valores atípicos que se
encuentran en el caso de estudio, de esta manera se recomienda estudiarlos por separado.
Las técnicas de inteligencia computacional han alcanzado una mayor acogida en el
proceso de determinar valores o comportamientos a futuro de las variables estudias. Todo
esto es gracias al desarrollo de los recursos computacionales hardware y software.
Las redes neuronales artificiales son técnicas que presentan mayor robustez en la
estimación del comportamiento de datos ya que sus niveles de error son mínimos.
Referencias
Ali, M. E., Hassan, M. Z., Ali, M. S., & Kumar, J. (2017). Prediction of Wind Speed
Using Real Data: An Analysis of Statistical Machine Learning Techniques . Asia-
Pasific World Congr. Comput. Sci. Eng. (APWC CSE), 259-264.
Bayram, K., Murat, D., Tahir, G. M., & Ziyaddim, R. (2018). ESTIMATING WIND
ENERGY POTENTIAL WITH PREDICTING BURR LSM PARAMETERS: A
DIFFERENT APPROACH. Journal of Engineering & Natural Sciences , 389-
404.
Bektas, Z., Kücükdeniz , T., & Özcan, T. (2017). A Comparison of Support Vector
Regression and Multivariable Grey Model for Short-Term Wind Speed
Forecasting. Turkish Journal of Forecasting,, 46-53.
Borovsky, J. E. (2019). Compacting the description of a time-dependent multivariable
system and its multivariable driver by reducing the state vectors to aggregate
scalars: the Earth's solar-wind-driven magnetosphere. . Nonlinear Processes in
Geophysics, 429-443.
Chen, C., & Pang, Y. (2019). Exploring Machine Learning Techniques for Smart
Drainage System. 2019 IEEE Fifth International Conference on Big Data
Computing Service and Applications (BigDataService), 63-70.
Chen, J., Zeng, G.-Q., Zhou, W., Du, W., & Lu, K.-D. (2018). Wind speed forecasting
using nonlinear-learning ensemble of deep learning time series prediction and
extremal optimization. Energy Conversion and Management, 681-695.
Cortes - Pérez, D. M., Sierra-Vargas, F. E., & Arango - Gómez, J. E. (2016). Evaluación,
predicción y modelación del potencial eólico Assessment forescasting and
modelling of wind Potencial. Ingeniería Mecánica, 167-175.
Feng , C., Cui, M., Hodge, B.-M., & Zhang, J. (2017). A data-driven multi-model
methodology with deep feature selection for short-term wind forecasting. Applied
Energy, 1245-1257.
Fischer, A., Montuelle, M., Mougeot, M., & Picard, D. (2017). Statistical learning for
wind power: A modelling and stability study towards forecasting. Wind Energy,
20(12), 2037-2047.
Goh, H. H., Lee, S. W., Chua, Q. S., Goh, K. C., & Teo, K. K. (2016). Wind energy
assessment considering wind speed correlation in Malaysia. Renewable and
Sustainable Energy Reviews, 1389-1400.
Lawan, S. M., Abidin, W. A., Lawan, A. M., Bichi, S. L., & Abba, I. (2017). The potential
of topographical feedforward neural network (T-FFNN) technique in monthly
wind speed and direction prediction. Informatics Sustain Soc. Through Digit
Innov. ICEEI, 1-6.
Medina, N., & Juan, R. (3 de Diciembre de 2012). Predicción con incertidumbre en
meterolog{ia energética. Aplicación en predicción eólica. Gran Canaria: ULPGC
Universidad las Palmas de Gran Canaria.
https://accedacris.ulpgc.es/bitstream/10553/9120/6/tfm_rnebot.pdf
Mercado, F. R., García Fernández, W., & Acebey, J. H. (2016). Sistema de inteligencia
artificial para la predicción temprana de heladas meteorológicas. Artifitial
intelligence system for early prediction of weather frost, 483-495.
Narayana, M. S. (2017). Adaptive linear prediction for optimal control of wind turbines.
Renewable Energy , 895-906.
Optis, M., & Perr-Sauer, J. (2019). The importance of atmospheric turbulence and
stability in machine-learning models of wind farm power production. Renewable
and Sustainable Energy Reviews, 27-41.
Palomares Losada, A. M. (2002). Caracterización del régimen de vientos y desarrollo de
un modelo de predicción eólica a escala local en el estrecho de Gibraltar. Madrid:
Universidad Complutense de Madrid.
Parreño, J., & Gomez , A. (2004). Pronostico de la velocidad y dirección del Viento
mediante Redes Neuronales Artificiales. Congreso de Ingenieria de Organización
Leganés, 905-914.
Pascual, Á., Subias, Á., Martín, M. L., Valero, F., García , A., Sebastian, L. I., . . . Morata,
A. (2010). Predicción de Velocidad Media y Rachas Máximas diarias de viento
en la península Ibérica mediante metodología de análogos. Asociación Española
de Climatología, 571-580.
Piazzi, G. T. (2017). Snow multivariable data assimilation for hydrological predictions in
Alpine sites. In EGU General Assembly Conference Abstracts, 7777.
Prieto Emhart, M. (2018). Exploring Machine Learning Models for Wind Speed
Prediction. Catalunya: Universitat Politecnica de Catalunya.
Sierra-Vargas, F. E., & Arango-Gómez, J. E. (2016). Assessment, Forecasting and
modeling of wind potential. Wind Energy, 1-10.
Sun, Y. D. (2017). Optimal day-ahead wind-thermal unit commitment considering
statistical and predicted features of wind speeds. . Energy Conversion and
Management, 347-356.
Torrijos Moreno, J. (2019). Predicción de energía eólica con modelos autorregresivos
(Bachelor's thesis).
