Predicción a corto plazo de energía eólica basada en Técnica de Machine Learning
| dc.contributor.advisor | Castillo Fiallos, Jessica Nataly | |
| dc.contributor.author | Llerena Ortiz, Bryan David | |
| dc.date.accessioned | 2025-11-18T14:36:28Z | |
| dc.date.available | 2025-11-18T14:36:28Z | |
| dc.date.issued | 2025-08-01 | |
| dc.description.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 | |
| dc.format.extent | 10 ´páginas | |
| dc.identifier.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 | |
| dc.identifier.issn | 2367-3370 | |
| dc.identifier.other | UTC-FCIYA-ELE-2025-014-ART | |
| dc.identifier.uri | https://link.springer.com/series/15179 | |
| dc.identifier.uri | https://repositorio.utc.edu.ec/handle/123456789/15191 | |
| dc.language.iso | es | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC) | |
| dc.subject | ENERGÍA EÓLICA | |
| dc.subject | MACHINE LEARNING | |
| dc.subject | PREDICCIÓN | |
| dc.subject | POTENCIA | |
| dc.title | Predicción a corto plazo de energía eólica basada en Técnica de Machine Learning | |
| dc.type | Preprint |