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

id	UNACIONAL2_e6dfdb65a9235afc542de3abd968329e
oai_identifier_str	oai:repositorio.unal.edu.co:unal/79586
network_acronym_str	UNACIONAL2
network_name_str	Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
dc.title.translated.eng.fl_str_mv	Wind speed forecast for offshore wind generation based on genetic programming
title	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
spellingShingle	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética 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
title_short	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
title_full	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
title_fullStr	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
title_full_unstemmed	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
title_sort	Pronóstico de velocidad de viento para generación eólica Offshore basado en programación genética
dc.creator.fl_str_mv	Garrido Atencia, Oscar Alberto
dc.contributor.advisor.none.fl_str_mv	Rivera Rodríguez, Sergio Raúl
dc.contributor.author.none.fl_str_mv	Garrido Atencia, Oscar Alberto
dc.contributor.researchgroup.spa.fl_str_mv	Grupo de Investigación EMC-UN
dc.subject.ddc.spa.fl_str_mv	620 - Ingeniería y operaciones afines
topic	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
dc.subject.proposal.spa.fl_str_mv	Pronóstico Energía eólica Generación eólica offshore Programación genética Regresión simbólica
dc.subject.proposal.eng.fl_str_mv	Forecast Wind Power Offshore Wind Generation Genetic Programming Symbolic Regression
dc.subject.unesco.none.fl_str_mv	Energía eólica Wind power Fuente de energía renovable Renewable energy sources
description	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.
publishDate	2020
dc.date.issued.none.fl_str_mv	2020
dc.date.accessioned.none.fl_str_mv	2021-06-01T17:19:53Z
dc.date.available.none.fl_str_mv	2021-06-01T17:19:53Z
dc.type.spa.fl_str_mv	Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://repositorio.unal.edu.co/handle/unal/79586
dc.identifier.instname.spa.fl_str_mv	Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.unal.edu.co/
url	https://repositorio.unal.edu.co/handle/unal/79586 https://repositorio.unal.edu.co/
identifier_str_mv	Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	[1] C. Arriagada, “ANALISIS COMPARATIVO DE LA GOBERNABILIDAD DE MERCADOS DE GENERACION ELECTRICA,” PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA, 1998. [2] M. Deveci, E. Ozcan, and R. John, “Offshore wind farms: A fuzzy approach to site selection in a black sea region,” 2020 IEEE Texas Power Energy Conf. TPEC 2020, 2020, doi: 10.1109/TPEC48276.2020.9042530. [3] U. Cali, N. Erdogan, S. Kucuksari, and M. Argin, “TECHNO-ECONOMIC analysis of high potential offshore wind farm locations in Turkey,” Energy Strateg. Rev., vol. 22, no. November 2017, pp. 325–336, 2018, doi: 10.1016/j.esr.2018.10.007. [4] L. A. Barroso and A. J. Conejo, Decision making under uncertainty in electricity markets. 2006. [5] Y. Zhao, L. Ye, Z. Li, X. Song, Y. Lang, and J. Su, “A novel bidirectional mechanism based on time series model for wind power forecasting,” Appl. Energy, vol. 177, pp. 793–803, 2016, doi: https://doi.org/10.1016/j.apenergy.2016.03.096. [6] GWEC, “Global wind energy council report 2018,” Wind Glob. Counc. Energy, no. April, pp. 1–61, 2019, [Online]. Available: www.gwec.net. [7] A. E. Saleh, M. S. Moustafa, K. M. Abo-Al-Ez, and A. A. Abdullah, “A hybrid neuro-fuzzy power prediction system for wind energy generation,” Int. J. Electr. Power Energy Syst., vol. 74, pp. 384–395, 2016, doi: 10.1016/j.ijepes.2015.07.039. [8] A. M. Foley, P. G. Leahy, A. Marvuglia, and E. J. McKeogh, “Current methods and advances in forecasting of wind power generation,” Renew. Energy, vol. 37, no. 1, pp. 1–8, 2012, doi: 10.1016/j.renene.2011.05.033. [9] M. Á. Vanegas Ramos, “Implementación de modelos locales en el espacio de fase para el pronóstico de variables hidrometeorológicas a partir de series de tiempo,” p. 398, 2011. [10] G. Riahy and M. Abedi, “Short term wind speed forecasting for wind turbine applications using linear prediction method,” Renew. Energy, vol. 33, pp. 35–41, Jan. 2008, doi: 10.1016/j.renene.2007.01.014. [11] Z. Lin and X. Liu, “Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network,” Energy, vol. 201, p. 117693, 2020, doi: https://doi.org/10.1016/j.energy.2020.117693. [12] C. Wan, Y. Song, Z. Xu, G. Yang, and A. H. Nielsen, “Probabilistic Wind Power Forecasting with Hybrid Artificial Neural Networks,” Electr. Power Components Syst., vol. 44, no. 15, pp. 1656–1668, 2016, doi: 10.1080/15325008.2016.1198437. [13] S. Salcedo-Sanz, E. G. Ortiz-García, Á. M. Pérez-Bellido, A. Portilla-Figueras, and L. Prieto, “Short term wind speed prediction based on evolutionary support vector regression algorithms,” Expert Syst. Appl., vol. 38, no. 4, pp. 4052–4057, 2011, doi: 10.1016/j.eswa.2010.09.067. [14] A. Marvuglia and A. Messineo, “Monitoring of wind farms’ power curves using machine learning techniques,” Appl. Energy, vol. 98, no. May, pp. 574–583, 2012, doi: 10.1016/j.apenergy.2012.04.037. [15] V. Veloso de Melo and W. Banzhaf, “Automatic feature engineering for regression models with machine learning: An evolutionary computation and statistics hybrid,” Inf. Sci. (Ny)., vol. 430–431, no. November, pp. 287–313, 2018, doi: 10.1016/j.ins.2017.11.041. [16] C. Wan, Z. Xu, P. Pinson, Z. Y. Dong, and K. P. Wong, “Probabilistic forecasting of wind power generation using extreme learning machine,” IEEE Trans. Power Syst., vol. 29, no. 3, pp. 1033–1044, 2014, doi: 10.1109/TPWRS.2013.2287871. [17] Y. Zhang, K. Liu, L. Qin, and X. An, “Deterministic and probabilistic interval prediction for short-term wind power generation based on variational mode decomposition and machine learning methods,” Energy Convers. Manag., vol. 112, pp. 208–219, 2016, doi: 10.1016/j.enconman.2016.01.023. [18] S. An, H. Shi, Q. Hu, X. Li, and J. Dang, “Fuzzy rough regression with application to wind speed prediction,” Inf. Sci. (Ny)., vol. 282, pp. 388–400, 2014, doi: 10.1016/j.ins.2014.03.090. [19] G. Santamaría-Bonfil, A. Reyes-Ballesteros, and C. Gershenson, “Wind speed forecasting for wind farms: A method based on support vector regression,” Renew. Energy, vol. 85, pp. 790–809, 2016, doi: 10.1016/j.renene.2015.07.004. [20] F. Andrés and A. Rodríguez, “Tendencias recientes en el pronóstico de velocidad de viento para generación eólica,” Universidad Nacional de Colombia, 2017. [21] C. Wan, Z. Xu, P. Pinson, Z. Y. Dong, and K. P. Wong, “Optimal prediction intervals of wind power generation,” IEEE Trans. Power Syst., vol. 29, no. 3, pp. 1166–1174, 2014, doi: 10.1109/TPWRS.2013.2288100. [22] H. Demolli, A. S. Dokuz, A. Ecemis, and M. Gokcek, “Wind power forecasting based on daily wind speed data using machine learning algorithms,” Energy Convers. Manag., vol. 198, no. July, p. 111823, 2019, doi: 10.1016/j.enconman.2019.111823. [23] T. G. Barbounis, J. B. Theocharis, M. C. Alexiadis, and P. S. Dokopoulos, “Long-term wind speed and power forecasting using local recurrent neural network models,” IEEE Trans. Energy Convers., vol. 21, no. 1, pp. 273–284, 2006, doi: 10.1109/TEC.2005.847954. [24] C. Potter and M. Negnevitsky, “Very short-term wind forecasting for tasmanian power generation,” 2006 IEEE Power Eng. Soc. Gen. Meet. PES, vol. 21, no. 2, pp. 965–972, 2006, doi: 10.1109/pes.2006.1709044. [25] G. Giebel and E. Al., “The State of the Art in Short-Term Prediction of Wind Power,” ANEMOS.plus, no. January, pp. 1–110, 2011, doi: 10.13140/RG.2.1.2581.4485. [26] IEEE PES, “Open Data Sets « IEEE PES Intelligent Systems Subcommittee.” [Online]. Available: https://site.ieee.org/pes-iss/data-sets/. [27] NASA, “NASA POWER - Prediction Of Worldwide Energy Resources.” 2019, [Online]. Available: https://power.larc.nasa.gov/data-access-viewer/. [28] “Solcast, 2019,” Global solar irradiance data and PV system power output data. https://solcast.com/. [29] “WunderMap® \| Interactive Weather Map and Radar \| Weather Underground.” 2019, [Online]. Available: https://www.wunderground.com. [30] W. B. Langdon, R. Poli, N. F. McPhee, and J. R. Koza, “Genetic programming: An introduction and tutorial, with a survey of techniques and applications,” in Studies in Computational Intelligence, vol. 115, 2008, pp. 927–1028. [31] S. Nguyen, M. Zhang, D. Alahakoon, and K. C. Tan, “Visualizing the evolution of computer programs for genetic programming [Research Frontier],” IEEE Comput. Intell. Mag., vol. 13, no. 4, pp. 77–94, 2018, doi: 10.1109/MCI.2018.2866731. [32] I. Icke and J. C. Bongard, “Improving genetic programming based symbolic regression using deterministic machine learning,” 2013 IEEE Congr. Evol. Comput. CEC 2013, no. June, pp. 1763–1770, 2013, doi: 10.1109/CEC.2013.6557774. [33] J. Žegklitz and P. Pošík, “Symbolic regression in dynamic scenarios with gradually changing targets,” Appl. Soft Comput. J., vol. 83, p. 105621, 2019, doi: 10.1016/j.asoc.2019.105621. [34] S. Chatterjee and A. S. Hadi, Regression Analysis by Example, 5th Editio. Wiley, 2013. [35] E. Cortés Pérez, A. Nuñez Rodríguez, R. E. Moreno De La Torre, O. Lastres Danguillecourt, and J. R. Dorrego Portela, “Forecast of Wind Speed with a Backpropagation Artificial Neural Network in the Isthmus of Tehuantepec Region in the State of Oaxaca, Mexico.,” Acta Univ., vol. 22, pp. 7–14, Dec. 2012, [Online]. Available: https://www.redalyc.org/articulo.oa?id=41623190001. [36] C. A. Martínez, “Problemas abiertos en la aplicación de la Regresión Simbólica en el pronóstico de series de tiempo,” Nacional de Colombia Sede Medellín, 2011. [37] E. Pérez, D. Bautista, F. Acevedo, and J. Pimentel, “Programación Genética Aplicada al Pronóstico de Viento en la Región del Istmo de Tehuantepec.,” 2° Congr. Int. Energías Renov., vol. 1, pp. 1–11, 2016, [Online]. Available: http://www.unistmo.edu.mx/~neto_144/papers/CIER_2016_Articulo.pdf. [38] J. Garcia, D. Alvarez, and S. Rivera, “Ensemble based optimization for electric demand forecast: Genetic programming and heuristic algorithms,” Rev. Int. Metod. Numer. para Calc. y Disen. en Ing., vol. 36, no. 3, pp. 1–12, 2020, doi: 10.23967/j.rimni.2020.07.001. [39] S. Manrique-Naranjo, M. Guzman, and S. Rodriguez, “Hybrid inference algorithm by combining genetic programming methods and nonlinear regression techniques,” no. June, 2018, doi: 10.17654/ETAI070010001. [40] A. Patelli, Genetic programming techniques for nonlinear systems identification, Rum Ed. 2011. [41] J. R. Koza, “Genetic programming as a means for programming computers by natural selection,” Stat. Comput., vol. 4, no. 2, pp. 87–112, 1994, doi: 10.1007/BF00175355. [42] J. Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis. Cambridge: Cambridge University Press, 2004. [43] S. Lumbreras and A. Ramos, “Offshore wind farm electrical design: a review,” Wind Energy, vol. 16, no. 3, pp. 459–473, Apr. 2013, doi: https://doi.org/10.1002/we.1498. [44] J. Tambke, M. Lange, U. Focken, J. O. Wolff, and J. A. T. Bye, “Forecasting offshore wind speeds above the North Sea,” Wind Energy, vol. 8, no. 1, pp. 3–16, 2005, doi: 10.1002/we.140. [45] J. Liu, X. Wang, and Y. Lu, “A novel hybrid methodology for short-term wind power forecasting based on adaptive neuro-fuzzy inference system,” Renew. Energy, vol. 103, pp. 620–629, 2017, doi: 10.1016/j.renene.2016.10.074.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.spa.fl_str_mv	1 recurso en línea (82 páginas)
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv	Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Eléctrica
dc.publisher.department.spa.fl_str_mv	Departamento de Ingeniería Eléctrica y Electrónica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv	Bogotá
dc.publisher.branch.spa.fl_str_mv	Universidad Nacional de Colombia - Sede Bogotá
institution	Universidad Nacional de Colombia
bitstream.url.fl_str_mv	https://repositorio.unal.edu.co/bitstream/unal/79586/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/79586/2/1140876722.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/79586/3/license_rdf https://repositorio.unal.edu.co/bitstream/unal/79586/4/1140876722.2021.pdf.jpg
bitstream.checksum.fl_str_mv	cccfe52f796b7c63423298c2d3365fc6 401ca91e39d3bc245fd0f63ec29f4a14 4460e5956bc1d1639be9ae6146a50347 18f07f75f14aa34c63211d08fcc0435e
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv	repositorio_nal@unal.edu.co
_version_	1814089620430782464
spelling	Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Rivera Rodríguez, Sergio Raúlebc09c48c256e8bad61b48321e3a32c5Garrido Atencia, Oscar Albertod2c976f4552cb00689b050d3baed52eeGrupo de Investigación EMC-UN2021-06-01T17:19:53Z2021-06-01T17:19:53Z2020https://repositorio.unal.edu.co/handle/unal/79586Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/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.Renewable energies have emerged as the most viable alternative to solve the problems presented by conventional generation sources. offshore wind generation has great growth potential for the next years, which is why this work proposes a methodology that implements genetic programming to make forecasts of average winds in the medium and long term, to minimize the uncertainty associated with this kind of generation. To that, initially the approach of the hybrid symbolic regression algorithm is carried out by means of which the proposed wind forecasts will be made; making a description of how it works. Subsequently, the implementation of the algorithm proposed in four case studies located in coastal areas and on islands is carried out, so that historical meteorological data are available with which to carry out the algorithm tests. After this, the errors obtained will be evaluated to select an amount of data for training and testing the algorithm.MaestríaMagíster en Ingeniería - Ingeniería de EléctricaInteligencia Computacional aplicada al Sector Eléctrico1 recurso en línea (82 páginas)application/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería EléctricaDepartamento de Ingeniería Eléctrica y ElectrónicaFacultad de IngenieríaBogotáUniversidad Nacional de Colombia - Sede Bogotá620 - Ingeniería y operaciones afinesPronósticoEnergía eólicaGeneración eólica offshoreProgramación genéticaRegresión simbólicaForecastWind PowerOffshore Wind GenerationGenetic ProgrammingSymbolic RegressionEnergía eólicaWind powerFuente de energía renovableRenewable energy sourcesPronóstico de velocidad de viento para generación eólica Offshore basado en programación genéticaWind speed forecast for offshore wind generation based on genetic programmingTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TM[1] C. Arriagada, “ANALISIS COMPARATIVO DE LA GOBERNABILIDAD DE MERCADOS DE GENERACION ELECTRICA,” PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA, 1998.[2] M. Deveci, E. Ozcan, and R. John, “Offshore wind farms: A fuzzy approach to site selection in a black sea region,” 2020 IEEE Texas Power Energy Conf. TPEC 2020, 2020, doi: 10.1109/TPEC48276.2020.9042530.[3] U. Cali, N. Erdogan, S. Kucuksari, and M. Argin, “TECHNO-ECONOMIC analysis of high potential offshore wind farm locations in Turkey,” Energy Strateg. Rev., vol. 22, no. November 2017, pp. 325–336, 2018, doi: 10.1016/j.esr.2018.10.007.[4] L. A. Barroso and A. J. Conejo, Decision making under uncertainty in electricity markets. 2006.[5] Y. Zhao, L. Ye, Z. Li, X. Song, Y. Lang, and J. Su, “A novel bidirectional mechanism based on time series model for wind power forecasting,” Appl. Energy, vol. 177, pp. 793–803, 2016, doi: https://doi.org/10.1016/j.apenergy.2016.03.096.[6] GWEC, “Global wind energy council report 2018,” Wind Glob. Counc. Energy, no. April, pp. 1–61, 2019, [Online]. Available: www.gwec.net.[7] A. E. Saleh, M. S. Moustafa, K. M. Abo-Al-Ez, and A. A. Abdullah, “A hybrid neuro-fuzzy power prediction system for wind energy generation,” Int. J. Electr. Power Energy Syst., vol. 74, pp. 384–395, 2016, doi: 10.1016/j.ijepes.2015.07.039.[8] A. M. Foley, P. G. Leahy, A. Marvuglia, and E. J. McKeogh, “Current methods and advances in forecasting of wind power generation,” Renew. Energy, vol. 37, no. 1, pp. 1–8, 2012, doi: 10.1016/j.renene.2011.05.033.[9] M. Á. Vanegas Ramos, “Implementación de modelos locales en el espacio de fase para el pronóstico de variables hidrometeorológicas a partir de series de tiempo,” p. 398, 2011.[10] G. Riahy and M. Abedi, “Short term wind speed forecasting for wind turbine applications using linear prediction method,” Renew. Energy, vol. 33, pp. 35–41, Jan. 2008, doi: 10.1016/j.renene.2007.01.014.[11] Z. Lin and X. Liu, “Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network,” Energy, vol. 201, p. 117693, 2020, doi: https://doi.org/10.1016/j.energy.2020.117693.[12] C. Wan, Y. Song, Z. Xu, G. Yang, and A. H. Nielsen, “Probabilistic Wind Power Forecasting with Hybrid Artificial Neural Networks,” Electr. Power Components Syst., vol. 44, no. 15, pp. 1656–1668, 2016, doi: 10.1080/15325008.2016.1198437.[13] S. Salcedo-Sanz, E. G. Ortiz-García, Á. M. Pérez-Bellido, A. Portilla-Figueras, and L. Prieto, “Short term wind speed prediction based on evolutionary support vector regression algorithms,” Expert Syst. Appl., vol. 38, no. 4, pp. 4052–4057, 2011, doi: 10.1016/j.eswa.2010.09.067.[14] A. Marvuglia and A. Messineo, “Monitoring of wind farms’ power curves using machine learning techniques,” Appl. Energy, vol. 98, no. May, pp. 574–583, 2012, doi: 10.1016/j.apenergy.2012.04.037.[15] V. Veloso de Melo and W. Banzhaf, “Automatic feature engineering for regression models with machine learning: An evolutionary computation and statistics hybrid,” Inf. Sci. (Ny)., vol. 430–431, no. November, pp. 287–313, 2018, doi: 10.1016/j.ins.2017.11.041.[16] C. Wan, Z. Xu, P. Pinson, Z. Y. Dong, and K. P. Wong, “Probabilistic forecasting of wind power generation using extreme learning machine,” IEEE Trans. Power Syst., vol. 29, no. 3, pp. 1033–1044, 2014, doi: 10.1109/TPWRS.2013.2287871.[17] Y. Zhang, K. Liu, L. Qin, and X. An, “Deterministic and probabilistic interval prediction for short-term wind power generation based on variational mode decomposition and machine learning methods,” Energy Convers. Manag., vol. 112, pp. 208–219, 2016, doi: 10.1016/j.enconman.2016.01.023.[18] S. An, H. Shi, Q. Hu, X. Li, and J. Dang, “Fuzzy rough regression with application to wind speed prediction,” Inf. Sci. (Ny)., vol. 282, pp. 388–400, 2014, doi: 10.1016/j.ins.2014.03.090.[19] G. Santamaría-Bonfil, A. Reyes-Ballesteros, and C. Gershenson, “Wind speed forecasting for wind farms: A method based on support vector regression,” Renew. Energy, vol. 85, pp. 790–809, 2016, doi: 10.1016/j.renene.2015.07.004.[20] F. Andrés and A. Rodríguez, “Tendencias recientes en el pronóstico de velocidad de viento para generación eólica,” Universidad Nacional de Colombia, 2017.[21] C. Wan, Z. Xu, P. Pinson, Z. Y. Dong, and K. P. Wong, “Optimal prediction intervals of wind power generation,” IEEE Trans. Power Syst., vol. 29, no. 3, pp. 1166–1174, 2014, doi: 10.1109/TPWRS.2013.2288100.[22] H. Demolli, A. S. Dokuz, A. Ecemis, and M. Gokcek, “Wind power forecasting based on daily wind speed data using machine learning algorithms,” Energy Convers. Manag., vol. 198, no. July, p. 111823, 2019, doi: 10.1016/j.enconman.2019.111823.[23] T. G. Barbounis, J. B. Theocharis, M. C. Alexiadis, and P. S. Dokopoulos, “Long-term wind speed and power forecasting using local recurrent neural network models,” IEEE Trans. Energy Convers., vol. 21, no. 1, pp. 273–284, 2006, doi: 10.1109/TEC.2005.847954.[24] C. Potter and M. Negnevitsky, “Very short-term wind forecasting for tasmanian power generation,” 2006 IEEE Power Eng. Soc. Gen. Meet. PES, vol. 21, no. 2, pp. 965–972, 2006, doi: 10.1109/pes.2006.1709044.[25] G. Giebel and E. Al., “The State of the Art in Short-Term Prediction of Wind Power,” ANEMOS.plus, no. January, pp. 1–110, 2011, doi: 10.13140/RG.2.1.2581.4485.[26] IEEE PES, “Open Data Sets « IEEE PES Intelligent Systems Subcommittee.” [Online]. Available: https://site.ieee.org/pes-iss/data-sets/.[27] NASA, “NASA POWER - Prediction Of Worldwide Energy Resources.” 2019, [Online]. Available: https://power.larc.nasa.gov/data-access-viewer/.[28] “Solcast, 2019,” Global solar irradiance data and PV system power output data. https://solcast.com/.[29] “WunderMap® \| Interactive Weather Map and Radar \| Weather Underground.” 2019, [Online]. Available: https://www.wunderground.com.[30] W. B. Langdon, R. Poli, N. F. McPhee, and J. R. Koza, “Genetic programming: An introduction and tutorial, with a survey of techniques and applications,” in Studies in Computational Intelligence, vol. 115, 2008, pp. 927–1028.[31] S. Nguyen, M. Zhang, D. Alahakoon, and K. C. Tan, “Visualizing the evolution of computer programs for genetic programming [Research Frontier],” IEEE Comput. Intell. Mag., vol. 13, no. 4, pp. 77–94, 2018, doi: 10.1109/MCI.2018.2866731.[32] I. Icke and J. C. Bongard, “Improving genetic programming based symbolic regression using deterministic machine learning,” 2013 IEEE Congr. Evol. Comput. CEC 2013, no. June, pp. 1763–1770, 2013, doi: 10.1109/CEC.2013.6557774.[33] J. Žegklitz and P. Pošík, “Symbolic regression in dynamic scenarios with gradually changing targets,” Appl. Soft Comput. J., vol. 83, p. 105621, 2019, doi: 10.1016/j.asoc.2019.105621.[34] S. Chatterjee and A. S. Hadi, Regression Analysis by Example, 5th Editio. Wiley, 2013.[35] E. Cortés Pérez, A. Nuñez Rodríguez, R. E. Moreno De La Torre, O. Lastres Danguillecourt, and J. R. Dorrego Portela, “Forecast of Wind Speed with a Backpropagation Artificial Neural Network in the Isthmus of Tehuantepec Region in the State of Oaxaca, Mexico.,” Acta Univ., vol. 22, pp. 7–14, Dec. 2012, [Online]. Available: https://www.redalyc.org/articulo.oa?id=41623190001.[36] C. A. Martínez, “Problemas abiertos en la aplicación de la Regresión Simbólica en el pronóstico de series de tiempo,” Nacional de Colombia Sede Medellín, 2011.[37] E. Pérez, D. Bautista, F. Acevedo, and J. Pimentel, “Programación Genética Aplicada al Pronóstico de Viento en la Región del Istmo de Tehuantepec.,” 2° Congr. Int. Energías Renov., vol. 1, pp. 1–11, 2016, [Online]. Available: http://www.unistmo.edu.mx/~neto_144/papers/CIER_2016_Articulo.pdf.[38] J. Garcia, D. Alvarez, and S. Rivera, “Ensemble based optimization for electric demand forecast: Genetic programming and heuristic algorithms,” Rev. Int. Metod. Numer. para Calc. y Disen. en Ing., vol. 36, no. 3, pp. 1–12, 2020, doi: 10.23967/j.rimni.2020.07.001.[39] S. Manrique-Naranjo, M. Guzman, and S. Rodriguez, “Hybrid inference algorithm by combining genetic programming methods and nonlinear regression techniques,” no. June, 2018, doi: 10.17654/ETAI070010001. [40] A. Patelli, Genetic programming techniques for nonlinear systems identification, Rum Ed. 2011.[41] J. R. Koza, “Genetic programming as a means for programming computers by natural selection,” Stat. Comput., vol. 4, no. 2, pp. 87–112, 1994, doi: 10.1007/BF00175355.[42] J. Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis. Cambridge: Cambridge University Press, 2004.[43] S. Lumbreras and A. Ramos, “Offshore wind farm electrical design: a review,” Wind Energy, vol. 16, no. 3, pp. 459–473, Apr. 2013, doi: https://doi.org/10.1002/we.1498.[44] J. Tambke, M. Lange, U. Focken, J. O. Wolff, and J. A. T. Bye, “Forecasting offshore wind speeds above the North Sea,” Wind Energy, vol. 8, no. 1, pp. 3–16, 2005, doi: 10.1002/we.140.[45] J. Liu, X. Wang, and Y. Lu, “A novel hybrid methodology for short-term wind power forecasting based on adaptive neuro-fuzzy inference system,” Renew. Energy, vol. 103, pp. 620–629, 2017, doi: 10.1016/j.renene.2016.10.074.LICENSElicense.txtlicense.txttext/plain; charset=utf-83964https://repositorio.unal.edu.co/bitstream/unal/79586/1/license.txtcccfe52f796b7c63423298c2d3365fc6MD51ORIGINAL1140876722.2021.pdf1140876722.2021.pdfTesis de Maestría en Ingeniería - Ingeniería Eléctricaapplication/pdf3233338https://repositorio.unal.edu.co/bitstream/unal/79586/2/1140876722.2021.pdf401ca91e39d3bc245fd0f63ec29f4a14MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.unal.edu.co/bitstream/unal/79586/3/license_rdf4460e5956bc1d1639be9ae6146a50347MD53THUMBNAIL1140876722.2021.pdf.jpg1140876722.2021.pdf.jpgGenerated Thumbnailimage/jpeg5052https://repositorio.unal.edu.co/bitstream/unal/79586/4/1140876722.2021.pdf.jpg18f07f75f14aa34c63211d08fcc0435eMD54unal/79586oai:repositorio.unal.edu.co:unal/795862024-07-20 23:10:58.651Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

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

Publicaciones similares