Resumen

La predicción de la potencia de salida de los aerogeneradores es de gran importancia para el funcionamiento de un sistema eléctrico compuesto por gran cantidad de generadores eólicos. Según los resultados de la predicción, es posible determinar las cuotas de generación de energía en los generadores y distribuir los recursos de forma científica y razonable. En el pasado, la red neuronal gris se aplicaba ampliamente en la predicción de la energía eólica, aunque apenas podía cumplir los requisitos de ingeniería debido a la estructura de la RNA. El problema de la lenta velocidad de convergencia y la gran cantidad de iteraciones, especialmente en el caso de datos a gran escala, plantearía problemas para la predicción de la potencia y la sensibilidad del control automático. Este trabajo optimiza el modelo de RNA aplicando el descenso de gradiente conjugado y creando una red neuronal de gradiente conjugado (CGNN) en el proceso de actualización de pesos. Los experimentos realizados en conjuntos de datos de diferentes escalas han demostrado que el rendimiento de la CGNN mejora sustancialmente, ya que el promedio de iteraciones se redujo en casi un 90% sin sacrificar la precisión de la predicción.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Predicción; potencia de salida; centrales eólicas; sistema eléctrico; generadores eólicos; precisión de la predicción.
• Keywords:Prediction; output power; wind plants; power system; wind generators; prediction accuracy