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

Authors

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

Keywords:

Hybrid System, Neural Networks, Solar Radiation, Wind Speed, Weibull

Abstract

To carry out the forecast of meteorological data in order to perform an analysis of the solar and wind potential of the Camilo Daza airport of the city of Cúcuta, multilayer Perceptron-type neural networks configured with 9 4-4layer neurons and 10 times or iterations are used to adjust the procedural variables of the regression. For this, the methodology presented by Jorge Aguilera and Leocadio Hontoria and the Weibull probability density distribution are used, with the intention of guaranteeing a lower initial investment with adequate and complete use of the solar system, the wind system and the bank of batteries, so that the cost / investment / benefit ratio is viable.

Downloads

Download data is not yet available.

References

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