Proyección energética de la central eólica Huascachaca de 50 MW aplicando redes neuronales
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/27913
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Serrano Guerrero, Johnny Xavier | - |
dc.contributor.author | Narváez Ortega, Christian Alfredo | - |
dc.contributor.author | Loja Cajamarca, Danny Alexander | - |
dc.date.accessioned | 2024-05-09T16:59:57Z | - |
dc.date.available | 2024-05-09T16:59:57Z | - |
dc.date.issued | 2024-05 | - |
dc.identifier.uri | http://dspace.ups.edu.ec/handle/123456789/27913 | - |
dc.description | El presente trabajo aborda la predicción de la generación de electricidad en la central eólica Huascachaca. El objetivo es desarrollar un modelo de proyección energética utilizando redes neuronales para mejorar la planificación del despacho de energía del parque eólico. Se utilizan dos herramientas de predicción, las redes neuronales de memoria a largo plazo con unidades de corto plazo (LSTM) y las redes neuronales convolucionales (CNN). El método identifica y selecciona el modelo más adecuado de pronóstico energético para la central eólica. El Error Porcentual Absoluto Medio es significativamente menor en la red LSTM en comparación con la red CNN. Este estudio se presenta como una herramienta válida para la toma de decisiones en la administración de la generación de electricidad en parques eólicos. | spa |
dc.description.abstract | This paper deals with the prediction of electricity generation at the Huascachaca wind farm. The objective is to develop an energy projection model using neural networks to improve the energy dispatch planning of the wind farm. Two prediction tools are used, long term memory neural networks with short term units (LSTM) and convolutional neural networks (CNN). The method identifies and selects the most suitable energy forecasting model for the wind power plant. The Mean Absolute Percentage Error is significantly lower in the LSTM network compared to the CNN network. This study is presented as a valid tool for decision making in the management of electricity generation in wind farms. | spa |
dc.language.iso | spa | spa |
dc.rights | openAccess | spa |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | ELECTRICIDAD | spa |
dc.subject | PRODUCCIÓN DE ENERGÍA ELÉCTRICA | spa |
dc.subject | RECURSOS ENERGÉTICOS RENOVABLES - ENERGÍA EÓLICA | spa |
dc.subject | REDES NEURONALES (COMPUTADORES) | spa |
dc.subject | VIENTOS | spa |
dc.subject | AEROGENERADORES | spa |
dc.title | Proyección energética de la central eólica Huascachaca de 50 MW aplicando redes neuronales | spa |
dc.type | bachelorThesis | spa |
ups.carrera | Electricidad | spa |
ups.sede | Sede Cuenca | spa |
Pertenece a las colecciones: | Grado |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UPS-CT011415.pdf | Texto completo | 1,14 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons