Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética

Las energías renovables han surgido como la alternativa más viable para solucionar los problemas que presentan las fuentes de generación convencionales. En este sentido, la generación eólica offshore cuenta con gran potencial de crecimiento para los próximos años es por esto que el presente trabajo...

Full description

Autores:
Garrido Atencia, Oscar Alberto
Tipo de recurso:
Fecha de publicación:
2020
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/79586
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/79586
https://repositorio.unal.edu.co/
Palabra clave:
620 - Ingeniería y operaciones afines
Pronóstico
Energía eólica
Generación eólica offshore
Programación genética
Regresión simbólica
Forecast
Wind Power
Offshore Wind Generation
Genetic Programming
Symbolic Regression
Energía eólica
Wind power
Fuente de energía renovable
Renewable energy sources
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
Description
Summary:Las energías renovables han surgido como la alternativa más viable para solucionar los problemas que presentan las fuentes de generación convencionales. En este sentido, la generación eólica offshore cuenta con gran potencial de crecimiento para los próximos años es por esto que el presente trabajo plantea una metodología que implementa la programación genética para realizar pronósticos de vientos promedio a mediano y largo plazo, con el fin de minimizar la incertidumbre asociada a este tipo de generación. Para esto, inicialmente se realiza el planteamiento del algoritmo regresión simbólica híbrida por medio del cual se realizarán los pronósticos de vientos propuestos; realizando una descripción del funcionamiento de este. Posteriormente se realiza la implementación del algoritmo planteado en cuatro casos de estudio ubicados en zonas costeras y en islas, de tal manera que se disponga de históricos de datos meteorológicos con los cuales poder realizar las pruebas del algoritmo. Posterior a esto, se evaluarán los errores obtenidos para seleccionar una cantidad de datos para entrenamiento y prueba del algoritmo.