Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/17264
Title: Predicción de la potencia activa a corto plazo de un parque fotovoltaico utilizando una red neuronal artificial
Authors: Romero Granda, Andrés Francisco
Keywords: REDES NEURONALES
POTENCIA
ENERGÍA RENOVABLE
Issue Date: 26-Apr-2017
Publisher: Quito, 2017.
Citation: 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.
Abstract: 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.
Description: 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
Type: bachelorThesis
Appears in Collections:Tesis Ingeniería Eléctrica (IE)

Files in This Item:
File Description SizeFormat 
CD-7769.pdf4,45 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.