Predicción a corto plazo de energía eólica basada en Técnica de Machine Learning
No Thumbnail Available
Date
2025-08-01
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC)
Abstract
El siguiente trabajo investigativo presenta un modelo de predicción a corto plazo del potencial eléctrico elaborado con técnicas de Machine Learning. Se utilizó una base de datos históricos entre 2022 y 2024 arrojados por la red hidrometeorológica de Tungurahua específicamente en el embalse chiquihurcu a 3875 msnm, que contienen las variables velocidad; dirección del viento; temperatura; humedad relativa y potencia eléctrica generada. Por análisis estadístico se halló una generación de potencia variable a lo largo del periodo (desviación estándar de 72,79 W) y un viento moderadamente bajo (media de 2,46 m/s); cuyos valores fueron validados mediante la distribución Weibull con un parámetro de forma (k) = 2,38 y de escala (c) = 2,77. Mediante Python se entrenó tres modelos de aprendizaje automático con el objetivo de predecir la potencia eléctrica a corto plazo (6 meses), los modelos utilizados fueron Random Forest, Decision Tree y XGBoost, como resultado Random Forest mostró el mejor rendimiento a la hora de adaptarse a la variabilidad de los datos, generalizándolos correctamente y manejando muy bien los errores, esto constatado con las siguientes métricas de validación MSE = 0,108; MAE = 0,174 y R2 = 99,97%. A pesar de las velocidades de viento relativamente bajas las técnicas de machine learning pueden proporcionar una predicción precisa del potencial eléctrico, abriendo la puerta a sistemas energéticos autónomos creando bases para futuras microrredes inteligentes en comunidades aisladas
Description
Keywords
ENERGÍA EÓLICA, MACHINE LEARNING, PREDICCIÓN, POTENCIA
Citation
Llerena, B, Castillo, J, Freire, L, Vizuete, G, (2025). Predicción a corto plazo de energía eólica basada en técnica de machine learning. Lecture Notes in Networks and Systems (LNNS). https://link.springer.com/series/15179