Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/17264
Título: Predicción de la potencia activa a corto plazo de un parque fotovoltaico utilizando una red neuronal artificial
Autor: Romero Granda, Andrés Francisco
Palabras clave: REDES NEURONALES
POTENCIA
ENERGÍA RENOVABLE
Fecha de publicación: 26-abr-2017
Editorial: Quito, 2017.
Citación: Romero Granda, A. F. (2017). Predicción de la potencia activa a corto plazo de un parque fotovoltaico utilizando una red neuronal artificial. 163 hojas. Quito : EPN.
Resumen: In this study, a short-term forecasting of output power in a photovoltaic plant in Ibarra, Ecuador is developed by using different artificial neural network models. The models are: one using only historical predictors and the other using historical and forecasted predictors. They are evaluated in 24- and 48-hour horizons. The used data correspond to time series of meteorological variables, such as wind speed, radiation, relative humidity, among others, and electrical variables such as active power. These variables are subjected to a preliminary treatment for outliers and missing data. For the design of the artificial neural network, the number of layers, number of neurons, learning and transfer function algorithm are considered.
Descripción: En este documento se desarrolla un modelo de predicción de potencia activa a corto plazo para un parque fotovoltaico ubicado en Ibarra, Ecuador implementando una red neuronal artificial, los modelos desarrollados en este documento son: uno utilizando variables históricas y el otro utilizando variables históricas y pronosticadas. Estos modelos son evaluados en horizontes de 24 y 48 horas. Los datos empleados corresponden a series de tiempo de variables meteorológicas, como la velocidad del viento, radiación, humedad relativa, entre otras, y eléctricas, como la potencia. Estas variables serán sometidas a un tratamiento preliminar para los valores fuera de rango y datos en blanco. Para el diseño de la red neuronal artificial se toma en cuenta las entradas óptimas al modelo, el número de capas, número de neuronas, algoritmo de aprendizaje y función de transferencia.
URI: http://bibdigital.epn.edu.ec/handle/15000/17264
Tipo: bachelorThesis
Aparece en las colecciones:Tesis Ingeniería Eléctrica (IE)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD-7769.pdf4,45 MBAdobe PDFVisualizar/Abrir


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