Aplicación de la técnica de Machine Learning para la estimación del potencial eólica en el sector de Lasso a partir de mediciones de una estación meteorológica
| dc.contributor.advisor | Vásquez Teneda, Franklin Hernán | |
| dc.contributor.author | Basantes Tisalema, Juan Carlos | |
| dc.date.accessioned | 2022-07-25T15:17:13Z | |
| dc.date.available | 2022-07-25T15:17:13Z | |
| dc.date.issued | 2022 | |
| dc.description | Wind energy is renewable that does not pollute, it allows to replace the use of fossil fuels, it is an alternative to generate electricity that can supply the demand in sectors of difficult access of the electrical networks for which the design of the algorithm has been carried out applying techniques of Machine Learning allowing to predict the speed of the wind to determine the wind potential based on the measurements made with the weather station, it should be noted that when there were null values, a data filtering was carried out, the record obtained was analyzed using the language of Python programming was used time series analysis using LSTM Network, which is a type of Recurrent Neural Network that allows analyzing historical data, 80% of data was used for training and 20% for validation, with the RMSPROP optimizer better results were generated from training, optimizing the prediction with the real values, in addition to its validation, the mean absolute percentage error (MAPE) was applied, obtaining as a result a 4% value that is within the allowed limit for a correct prediction validation, with the predicted values of the wind speed was applied the Weibull distribution determining the average speed of 2.72 m/s with which it allowed to select the Enair 30Pro wind turbine that has been made in strict accordance with the IEC 61400-2 Standard, with which the extractable average wind potential of 51.53 W was determined and the energy produced of 522 kWh/year. | es_ES |
| dc.description.abstract | La energía eólica es renovable que no contamina permite remplazar el uso de combustibles fósiles, es una alternativa para generar electricidad que puede suplir la demanda en sectores de difícil acceso de las redes eléctricas para lo cual se ha realizado el diseño del algoritmo aplicando técnicas de Machine Learning permitiendo predecir la velocidad del viendo para determinar el potencial eólico que se tiene en base a las mediciones realizadas con la estación meteorológica, cabe destacar que al existir valores nulos se realizó una depuración de la data, el registro obtenido se analizado mediante el lenguaje de programación de Python, se utilizó el análisis de series temporales usando Red LSTM, que es un tipo de Red Neuronal Recurrente que permite analizar datos históricos, para su entrenamiento se utilizó el 80% de datos y el 20% para su validación, con el optimizador RMSPROP se generó mejores resultados de entrenamiento, optimizando la predicción con los valores reales además para su validación se aplicó el error porcentual absoluto medio (MAPE) obteniendo como resultado un 4% valor que se encuentra dentro del límite permitido para una correcta validación de predicción, con los valores pronosticados de la velocidad del viento se aplicó la distribución de Weibull determinando la velocidad promedio de 2.72 m/s con la cual permitió seleccionar el aerogenerador Enair 30Pro que se ha realizado atendiendo estrictamente a la Norma IEC 61400-2, con la que se determinó el potencial eólico promedio extraíble de 51.53 W y la energía producida de 522 kWh/año. | es_ES |
| dc.format.extent | 96 páginas | es_ES |
| dc.identifier.citation | Basantes Tisalema Juan Carlos (2022); Aplicación de la técnica de Machine Learning para la estimación del potencial eólica en el sector de Lasso a partir de mediciones de una estación meteorológica. UTC. Latacunga. 96 p. | es_ES |
| dc.identifier.other | MUTC-001225 | |
| dc.identifier.uri | http://repositorio.utc.edu.ec/handle/27000/8811 | |
| dc.language.iso | spa | es_ES |
| dc.publisher | Ecuador : Latacunga: Universidad Técnica de Cotopaxi (UTC) | es_ES |
| dc.rights | openAccess | es_ES |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | es_ES |
| dc.subject | MACHINE LEARNING | es_ES |
| dc.subject | RED NEURONAL LSTM | es_ES |
| dc.subject.other | ELECTRICIDAD | es_ES |
| dc.title | Aplicación de la técnica de Machine Learning para la estimación del potencial eólica en el sector de Lasso a partir de mediciones de una estación meteorológica | es_ES |
| dc.type | masterThesis | es_ES |