Análisis del recurso eólico en la ciudad de Cúcuta mediante ciencia de los datos e inteligencia artificial
En la actualidad el uso de energías renovables es cada vez más utilizadas en el mundo, debido a que no afectan negativamente al medio ambiente, la energía del viento es de las más utilizadas también es conocida como Recurso Eólico. El presente proyecto tuvo como objetivo la predicción del Recurso Eó...
- Autores:
-
Di Candia Jaimes, Gian Franco
Calderon Angarita, Brayan Orlando
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Francisco de Paula Santander
- Repositorio:
- Repositorio Digital UFPS
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ufps.edu.co:ufps/6756
- Acceso en línea:
- https://repositorio.ufps.edu.co/handle/ufps/6756
- Palabra clave:
- Inteligencia artificial
Redes
Energias renovables
Recurso eólico
Aprendizaje automático
Redes neuronales artificiales
Métrica de éxito
Error absoluto medio
- Rights
- openAccess
- License
- Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
Summary: | En la actualidad el uso de energías renovables es cada vez más utilizadas en el mundo, debido a que no afectan negativamente al medio ambiente, la energía del viento es de las más utilizadas también es conocida como Recurso Eólico. El presente proyecto tuvo como objetivo la predicción del Recurso Eólico disponible promedio y total en la ciudad de Cúcuta, con la utilización de las dos variables más influyentes velocidad del viento y temperatura. Para la construcción del modelo se utilizó el enfoque de Aprendizaje Automático en conjunto con la técnica de Redes Neuronales Artificiales. La métrica de éxito utilizada para evaluar al modelo fue el Error Absoluto Medio (MAE). El cual para la etapa de entrenamiento con un rango de 1 año tuvo un valor de 1.6 el cual representa el 1.7% del valor promedio de las predicciones. Para la etapa de evaluación del modelo se alimentó el algoritmo con datos tomados experimentalmente en las zonas de Ceiba, Torcoroma y Belén. Para evaluar predicciones en cada una de estas zonas con un rango de 10 minutos se obtuvo un MAE de 0.02, 0.03 y 0.06 respectivamente. |
---|