Evaluación del potencial eólico y predicción de la velocidad de viento con Minería de Datos

Autores/as

DOI:

https://doi.org/10.35290/ro.v1n3.2020.368

Palabras clave:

minería de datos, energía, generación, predicción, velocidad, viento

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.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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).

Publicado

2020-10-10

Cómo citar

Vargas Guevara, C. L. . (2020). Evaluación del potencial eólico y predicción de la velocidad de viento con Minería de Datos. REVISTA ODIGOS, 1(3), 9–25. https://doi.org/10.35290/ro.v1n3.2020.368

Número

Sección

Artículos

Artículos más leídos del mismo autor/a