Dimensionamiento óptimo de un sistema híbrido de energía solar-eólica y banco de baterías utilizando inteligencia artificial

Oscar Eduardo Gualdron Guerrero; Raquel Irene Laguado Ramírez; Elkin Gregorio Flórez Serrano

doi:10.24054/rcta.v2i40.2363

Autores/as

Oscar Eduardo Gualdron Guerrero Universidad de Pamplona https://orcid.org/0000-0002-7854-6842
Raquel Irene Laguado Ramírez Universidad Francisco de Paula Santander https://orcid.org/0000-0001-6536-4532
Elkin Gregorio Flórez Serrano Universidad de Pamplona https://orcid.org/0000-0002-3431-146X

DOI:

https://doi.org/10.24054/rcta.v2i40.2363

Palabras clave:

Sistema Híbrido, Redes Neuronales, Radiación Solar, Velocidad del Viento, Weibull

Resumen

Para realizar el pronóstico de datos meteorológicos con el fin de realizar un análisis del potencial solar y eólico del aeropuerto Camilo Daza de la ciudad de Cúcuta, redes neuronales multicapa tipo Perceptron configuradas con 9 neuronas de 4-4 capas y 10 tiempos o las iteraciones se utilizan para ajustar las variables de procedimiento de la regresión. Para ello se utiliza la metodología presentada por Jorge Aguilera y Leocadio Hontoria y la distribución de densidad de probabilidad de Weibull, con la intención de garantizar una menor inversión inicial con un uso adecuado y completo del sistema solar, el sistema eólico y el banco de baterías, de modo que que la relación costo/inversión/beneficio sea viable.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Andrade, E. (2013). Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación. 152.

Basogain, X. O. (2015). Redes Neuronales Artificiales Y Sus Aplicaciones. Medicina Intensiva, 29(1), 13–20. https://doi.org/10.1016/S0210-5691(05)74198-X

Figueroa, A., & Mejía, E. (2014). Sistemas híbridos: alternativa de energización en zonas no interconectadas. 1, 21.

GALLEGO, N. S. (2016). DISEÑO DE UN SISTEMA HÍBRIDO EÓLICO SOLAR PARA EL BOMBEO DE AGUA. Universidad Tecnológica de pereira.

González-Páramo, L. M. (2017). HERRAMIENTAS AVANZADAS DE ANÁLISIS DE DATOS DE APLICACIÓN EN INGENIERÍA CIVIL.

GONZALEZ, E. A., & YARA, W. V. (2009). IMPLEMENTACIÓN DE UN SISTEMA HÍBRIDO EÓLICO-SOLAR PARA SUPLIR LA DEMANDA ENERGÉTICA DE UNA CABAÑA EN LA GRANJA EXPERIMENTAL VILLA MARINA (1 (ed.); 1st ed.).

Gutiérrez, C. (2015). Role of Non-Conventional Energy Sources in the Colombian electricity sector.

HENRY OSWALDO BENAVIDES BALLESTEROS, OVIDIO SIMBAQUEVA FONSECA, H. J. Z. L. (2017). Atlas de Radiación solar ultravioleta y ozono de colombia.

Martínez, J. Á. (2017). Aprendizaje supervisado en conjuntos de datos no balanceados con Redes Neuronales Artificiales Métodos de mejora de rendimiento para modelos de clasificación binaria en diagnóstico médico. 137.

Pasini, J., & Director. (2019). Diseño de un sistema alternativo eólico para generación de corriente eléctrica. Universidad nacional de mar de plata.

Perceptron, E. (2016). Perceptron multicapa 3.1. Introducción. 15–32.

Rashid, A. (2019). APLICACIONES DE DEEP-LEARNING A LA PREDICCIÓN DE RADIACIÓN SOLAR. Universidad complutense de madrid.

Rico, J. C. S. (2007). ANÁLISIS DE LAS CARACTERÍSTICAS DEL VIENTO Y POTENCIAL DE ENERGÍA EÓLICA PARA CÚCUTA - COLOMBIA Serrano. 8o Congreso Iberoamericano De Ingenieria Mecanica, 18(18), 8. https://doi.org/10.1016/j.riai.2012.02.005

Serrano Rico, J. (2013). Comparación de métodos para determinar los parámetros de Weibull para la generación de energía eólica. Scientia et Technica, 18(2), 315–320. https://doi.org/10.22517/23447214.7823

Tutor:, D. C. O. (2018). Inteligencia Artificial con TensorFlow para predicción de comportamientos.

UPME. (2015). Plan Energetico Nacional Colombia: Ideario Energético 2050. Unidad de Planeación Minero Energética, Republica de Colombia, 184.

UPME, & BID. (2015). Integración de las energías renovables no convencionales en Colombia. In Ministerio de Minas y Energía. https://doi.org/10.1017/CBO9781107415324.004

Voyant, C., Notton, G., Darras, C., Fouilloy, A., & Motte, F. (2017). Uncertainties in global radiation time series forecasting using machine learning: The multilayer perceptron case. Energy, 125, 248–257. https://doi.org/10.1016/j.energy.2017.02.098