Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes

Forecasting Models of Solar Radiation and Air Temperature through Recurrent Neural Network

Publicado 2023-01-20


https://doi.org/10.37116/revistaenergia.v19.n2.2023.552
Abrir | Descargar
PDF FLIP HTML
Número
Vol. 19 Núm. 2 (2023): Revista Técnica "energía", Edición No. 19, ISSUE II
Sección
EFICIENCIA ENERGÉTICA
Cómo citar
Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes. (2023). Revista Técnica "energía", 19(2), PP. 81-89. https://doi.org/10.37116/revistaenergia.v19.n2.2023.552
DOI

https://doi.org/10.37116/revistaenergia.v19.n2.2023.552
Dimensions
PlumX

Cómo citar

Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes. (2023). Revista Técnica "energía", 19(2), PP. 81-89. https://doi.org/10.37116/revistaenergia.v19.n2.2023.552

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Manuel Cuesta
Instituto de Investigación Geológico y Energético
https://orcid.org/0000-0001-8525-1949 ORCID
Jessica Constante
Perfil Google Scholar
https://orcid.org/0000-0003-2123-8432 ORCID
Diego Jijón
Perfil Google Scholar
https://orcid.org/0000-0001-7013-423X ORCID
Mostrar biografía de los autores

Artículos similares

21-30 de 494

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

El objetivo de este estudio es comparar dos arquitecturas de redes neuronales recurrentes de Elman y Jordan (RNRE y RNRJ), enfocadas en predicción de dos días de radiación solar y temperatura ambiente. Las entradas del modelo de predicción son variables meteorológicas como velocidad del viento, presión atmosférica, humedad relativa y precipitación. El Instituto de Investigación Geológico y Energético proveyó los datos de tres estaciones meteorológicas situadas en las Provincias de Pichincha y Tungurahua para las etapas de entrenamiento, validación y predicción de las redes.  Cada red se entrenó con tres funciones de aprendizaje, retropropagación, retropropagación de momento y retropropagación resiliente. Los resultados muestran los parámetros estadísticos de correlación de Pearson, error cuadrático medio y el comportamiento de la predicción sobre gráficas de temperatura del aire y radiación solar, de acuerdo a los modelos de RNRE y RNRJ. Este trabajo presenta coeficientes de correlación superiores a 0,9 en la etapa de validación. En la etapa de predicción, el coeficiente de correlación es superior a 0,8 y el error cuadrático medio muestra valores inferiores a 0,02 kW de radiación solar y 2 ºC de temperatura ambiente.

Visitas del artículo 2556 | Visitas PDF 913

Descargas

Los datos de descarga todavía no están disponibles.
  1. H. Sharadga, S. Hajimirza, and R. S. Balog, “Time series forecasting of solar power generation for large-scale photovoltaic plants,” Renew. Energy, vol. 150, pp. 797–807, 2020, doi: 10.1016/j.renene.2019.12.131.
  2. A. Alzahrani, P. Shamsi, C. Dagli, and M. Ferdowsi, “Solar Irradiance Forecasting Using Deep Neural Networks,” in Procedia Computer Science, 2017, vol. 114, pp. 304–313, doi: 10.1016/j.procs.2017.09.045.
  3. G. Mahalakshmi, S. Sridevi, and S. Rajaram, “A Survey on Forecasting of Time Series Data,” p. 8, 2016.
  4. V. O. Nur Laily, B. Warsito, and D. A. I Maruddani, “Comparison of ARCH / GARCH model and Elman Recurrent Neural Network on data return of closing price stock,” J. Phys. Conf. Ser., vol. 1025, no. 1, 2018, doi: 10.1088/1742-6596/1025/1/012103.
  5. M. Bettiza, “An Analysis on Wind Speed Forecasting Result with the Elman Recurrent Neural Network Method,” E3S Web Conf., vol. 324, p. 4, 2021, doi: 10.1051/e3sconf/202132405002.
  6. A. A. Fierro, “Predicción de Series Temporales con Redes Neuronales,” Fac. Informática Univ. Nac. La Plata Argentina, p. 64, 2020.
  7. W. M. Septiawan and S. N. Endah, “Suitable Recurrent Neural Network for Air Quality Prediction with Backpropagation Through Time,” 2018 2nd Int. Conf. Informatics Comput. Sci. ICICoS 2018, pp. 196–201, 2018, doi: 10.1109/ICICOS.2018.8621720.
  8. T. E. Putri, A. A. Firdaus, and W. I. Sabilla, “Short-Term Forecasting of Electricity Consumption Revenue on Java-Bali Electricity System using Jordan Recurrent Neural Network,” J. Inf. Syst. Eng. Bus. Intell., vol. 4, no. 2, p. 96, 2018, doi: 10.20473/jisebi.4.2.96-105.
  9. J.Durán, “Redes Neuronales Convolucionales en R Reconocimiento de caracteres escritos a mano,” p. 78, 2018, [Online]. Available: http://bibing.us.es/proyectos/abreproy/91338/fichero/TFG+Jaime+Durán+Suárez.pdf.
  10. D. D. Cervantes, “Estudio De Las Emisiones De Nox Mediante Redes Neuronales Recurrentes,” 2020.
  11. M. Cabezón, “Implementación de redes neuronales recurrentes en Python . Miguel Cabezón Manchado Trabajo de fin de máster en Ingeniería Matemática,” p. 43, 2018, [Online]. Available: https://eprints.ucm.es/49444/1/2018-MIGUEL CABEZON Memoria.pdf.
  12. F. Rodríguez, A. Fleetwood, A. Galarza, and L. Fontán, “Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control,” Renew. Energy, vol. 126, pp. 855–864, 2018, doi: 10.1016/j.renene.2018.03.070.
  13. B. Kamanditya and B. Kusumoputro, “Elman Recurrent Neural Networks Based Direct Inverse Control for Quadrotor Attitude and Altitude Control,” in Proceedings of International Conference on Intelligent Engineering and Management, ICIEM 2020, 2020, pp. 39–43, doi: 10.1109/ICIEM48762.2020.9160191.
  14. C. Arana, “Redes Neuronales Recurrentes: Análisis De Los Modelos Especializados En Datos Secuenciales,” Univ. del Cema, no. 797, pp. 4–8, 2021, [Online]. Available: https://ucema.edu.ar/publicaciones/download/documentos/797.pdf.
  15. S. Alemany, J. Beltran, A. Perez, and S. Ganzfried, “Predicting hurricane trajectories using a recurrent neural network,” 33rd AAAI Conf. Artif. Intell. AAAI 2019, 31st Innov. Appl. Artif. Intell. Conf. IAAI 2019 9th AAAI Symp. Educ. Adv. Artif. Intell. EAAI 2019, pp. 468–475, 2019, doi: 10.1609/aaai.v33i01.3301468.
  16. M. M. Rahman et al., “Prospective methodologies in hybrid renewable energy systems for energy prediction using artificial neural networks,” Sustain., vol. 13, no. 4, pp. 1–28, 2021, doi: 10.3390/su13042393.
  17. M. Abreu and L. Villas, Minería de datos para Series Temporales, no. August. Universidad Central “Martha Abreu” de las Villas, 2015.
  18. M. Christoph Bergmeir, “Neural networks using the stuttgart neural network simulator (SNNS),” pp. 1–74, 2021, [Online]. Available: https://github.com/cbergmeir/RSNNS/issues.
  19. E. Andrade, “Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación,” p. 152, 2013, [Online]. Available: http://dspace.ups.edu.ec/handle/123456789/4098.
  20. A.Zell et al., “Stuttgart Neural Network Simulator SNNS,” Univ. Tübingen, pp. 1–350, 2016, [Online]. Available: papers2://publication/uuid/1C682FBB-1EEB-4D5E-AB83-EE9F7D055829.
  21. D. M. Polo, L. P. Caballero, and E. M. Gómez, “Comparación de Redes Neuronales aplicadas a la predicción de Series de Tiempo,” Prospectiva, vol. 13, no. 2, pp. 88–95, 2015.
  22. J. A. Cárdenas Garro, “‘Pronósticos Y Comparación De Una Serie De Tiempo Con Cambios Estructurales Mediante La Red Neuronal Artificial De Retropropagación Resiliente Y Modelos No Lineales,’” Univ. Nac. Mayor San Marcos - Fac. Ciencias Mat. Esc. Prof. Estadística, 2015.
  23. M. De Liu, L. Ding, and Y. L. Bai, “Application of hybrid model based on empirical mode decomposition, novel recurrent neural networks and the ARIMA to wind speed prediction,” Energy Convers. Manag., vol. 233, p. 113917, 2021, doi: 10.1016/j.enconman.2021.113917.
  24. L. Hardinata, B. Warsito, and Suparti, “Bankruptcy prediction based on financial ratios using Jordan Recurrent Neural Networks: A case study in Polish companies,” J. Phys. Conf. Ser., vol. 1025, no. 1, 2018, doi: 10.1088/1742-6596/1025/1/012098.
  25. A. F. Romero Granda, “Predicción de la potencia activa a corto plazo de un parque fotovoltaico utilizando una red neuronal artificial,” ESCUELA POLITÉCNICA NACIONAL, 2017.
Periodicidad

Semestral: Publicaciones en enero y julio

Miembros Comité Editorial
UPS
EPN
Ministerio de Energía
CENACE
INGE
CELEC
ARC
ESPOL

Código QR

Sistema OJS 3.4.0.9