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

Manuel Cuesta; Jessica Constante; Diego Jijón

doi:10.37116/revistaenergia.v19.n2.2023.552

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

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

Jessica Constante

Perfil Google Scholar

https://orcid.org/0000-0003-2123-8432

Diego Jijón

Perfil Google Scholar

https://orcid.org/0000-0001-7013-423X

Mostrar biografía de los autores

Artículos similares

Josua Oña, Luis Ruales, Análisis de sobrevoltajes por impulso atmosférico en sistemas de Transmisión con discontinuidades líneas de transmisión aéreas y cables aislados, usando ATP , Revista Técnica "energía": Vol. 20 Núm. 2 (2024): Revista Técnica "energía", Edición No. 20, ISSUE II
Josue Ortiz, Jefferson Tayupanda, Carlos Quinatoa, Solución al problema de despacho hidrotérmico a corto plazo mediante la programación no lineal aplicada a sistemas de uno y varios nodos , Revista Técnica "energía": Vol. 20 Núm. 2 (2024): Revista Técnica "energía", Edición No. 20, ISSUE II
Daniels Mendoza, Isai Nina , Edwin Cuadros, Análisis de una Planta Piloto Geotérmica con Ciclo Binario de Media Entalpia, Ubinas, Moquegua. , Revista Técnica "energía": Vol. 21 Núm. 2 (2025): Revista Técnica "energía", Edición No. 21, ISSUE II
Sasha Palacios, Metodología para Calcular los Límites de Estabilidad Estática de Ángulo en el Sistema Nacional Interconectado (SNI) Ecuatoriano Usando el Criterio de Áreas Iguales y Mediciones Sincrofasoriales , Revista Técnica "energía": Vol. 22 Núm. 1 (2025): Revista Técnica "energía", Edición No. 22, ISSUE I
Luis Cruz, Cristian Gallardo, Optimización de la Captación Solar mediante un Seguidor de Doble Eje Basado en Algoritmo Astronómico en una Estación Fotovoltaica de Pequeña Escala , Revista Técnica "energía": Vol. 22 Núm. 1 (2025): Revista Técnica "energía", Edición No. 22, ISSUE I
Armando Freire, Fernando Arias, Héctor Mullo, Jhonny Casa, Implementación de Control Remoto para la Apertura y Cierre de Compensación Reactiva al Alimentador de 13,8 kV de la Subestación Eléctrica de la Empresa Novacero S.A. mediante una Tarjeta ADVC-IOEX , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
Alex Villamarín Jácome, Miguel Saltos, Juan Echever, Dimensionamiento Óptimo de Sistemas Fotovoltaicos y Baterías en Entornos Residenciales para Reducir la Dependencia de la Infraestructura Eléctrica Centralizada , Revista Técnica "energía": Vol. 21 Núm. 2 (2025): Revista Técnica "energía", Edición No. 21, ISSUE II
Edison Novoa, Gabriel Salazar Yépez, Eliana Buitrón, Gabriel Salazar Pérez, Propuesta de una Metodología para la Focalización del Subsidio Eléctrico “Tarifa De La Dignidad” en Usuarios Residenciales de las Empresas Eléctricas del Ecuador , Revista Técnica "energía": Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
William Yugcha, Diego Pichoasamin, Paúl Astudillo, Comparación y Optimización del Uso de Filtro Pasivo y Activo de Potencia para Mitigar Armónicos en Redes de Distribución con Cargas no Lineal , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
Nelson Granda, Karen Paguanquiza, Modelos de Respuesta de la Frecuencia para el Sistema Nacional Interconectado Ecuatoriano , Revista Técnica "energía": Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I

Anterior 21-30 de 470 Siguiente

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

Artículos más leídos del mismo autor/a

Jessica Constante, Alejandro Cuesta, Diego Jijón, Métodos de ajuste de Weibull de dos parámetros en series de viento y estimación del Potencial Eolo-eléctrico. , Revista Técnica "energía": Vol. 17 Núm. 2 (2021): Revista Técnica "energía", Edición No. 17, ISSUE II
Diego Jijón, Jessica Constante, Geovanna Villacreses, Tania Guerrero, Estimación del rendimiento de aerogeneradores de 2 MW en el Ecuador: Potencial Eolo-Eléctrico , Revista Técnica "energía": Vol. 15 Núm. 1 (2018): Revista Técnica "energía", Edición No. 15

Predicción

Redes neuronales recurrentes

Función de aprendizaje

Inteligencia artificial

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 1554 | Visitas PDF 775

Descargas

Los datos de descarga todavía no están disponibles.

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.
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.
G. Mahalakshmi, S. Sridevi, and S. Rajaram, “A Survey on Forecasting of Time Series Data,” p. 8, 2016.
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.
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.
A. A. Fierro, “Predicción de Series Temporales con Redes Neuronales,” Fac. Informática Univ. Nac. La Plata Argentina, p. 64, 2020.
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.
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.
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.
D. D. Cervantes, “Estudio De Las Emisiones De Nox Mediante Redes Neuronales Recurrentes,” 2020.
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.
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.
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.
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.
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.
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.
M. Abreu and L. Villas, Minería de datos para Series Temporales, no. August. Universidad Central “Martha Abreu” de las Villas, 2015.
M. Christoph Bergmeir, “Neural networks using the stuttgart neural network simulator (SNNS),” pp. 1–74, 2021, [Online]. Available: https://github.com/cbergmeir/RSNNS/issues.
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.
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.
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.
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.
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.
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.
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.