Resumen

La necesidad de una fuente de energía eficiente para el funcionamiento de la industria moderna ha aumentado rápidamente en los últimos años. Por ello, es difícil predecir las últimas fuentes de energía renovable. La energía generada depende en gran medida de factores fluctuantes (como la dirección del viento, la presión, la velocidad del viento y la humedad de la atmósfera circundante). Por lo tanto, es de suma importancia desarrollar y emplear en la práctica métodos de previsión precisos. En este artículo, se investiga un caso de estudio de un parque eólico en cuanto a los datos recogidos sobre la velocidad del viento. Para datos como la velocidad del viento, que son difíciles de predecir, es necesario disponer de un algoritmo de previsión bien construido y probado. Para lograr este objetivo, se investigan, evalúan y comparan cuatro algoritmos basados en redes neuronales: una red neuronal artificial (RNA), una red neuronal convolucional (CNN), una memoria a corto plazo (LSTM) y un modelo híbrido LSTM convolucional (ConvLSTM) que combina LSTM con CNN, y un modelo de máquina de vectores de apoyo (SVM) utilizando diferentes indicadores estadísticos y temporales para asegurar que el modelo final cumple el objetivo para el que se ha construido. Los resultados demuestran que, aunque la SVM es la que ofrece las predicciones más precisas, se eligió la ConvLSTM por su menor esfuerzo computacional y su alta precisión de predicción.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:velocidad del viento, términos del viento, red neuronal convolucional, modelo híbrido convolucional, máquina de vectores de apoyo, parque eólico, fuente de energía eficiente, algoritmo de previsión probado, red neuronal artificial, métodos de previsión precisos
• Keywords:wind speed, terms of wind, convolutional neural network, hybrid model convolutional, support vector machine, wind harvesting farm, efficient power source, tested forecasting algorithm, artificial neural network, accurate forecasting methods