Desarrollo de un modelo de pronóstico de energía a corto plazo, basado en redes neuronales recurrentes, para mejorar la programación de generación de energía en centrales eólicas

• Autor: Sánchez Huayana, Nils Ericsson
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/27051
• Enlace del recurso: http://hdl.handle.net/20.500.14076/27051
• Nivel de acceso: acceso abierto
• Materia: Energía eólica; Centrales eólicas; Red neuronal de memoria a corto plazo; Descomposición modal variacional; Red neuronal recurrente; https://purl.org/pe-repo/ocde/ford#2.03.02

El objetivo de este estudio de investigación es mejorar la precisión del pronóstico de energía eólica a corto plazo mediante la propuesta de un modelo de pronóstico basado en la descomposición en modo variacional y la memoria a corto plazo a largo plazo (VMD-LSTM). Los datos utilizados para este modelo se obtuvieron de un parque eólico ubicado en Talara, al norte de Perú. Inicialmente, se adoptó el método de descomposición en modo variacional para descomponer los datos de energía eólica en tres modos constituyentes: el componente a largo plazo, el componente de fluctuación y el componente aleatorio. Posteriormente, se empleó la red neuronal recurrente (RNN), específicamente la variante de memoria a corto plazo (LSTM), para analizar en profundidad las características de estos tres modos constituyentes. Gracias a su estructura única de puerta de olvido y puerta de memoria, la LSTM aprende la asociación con series de tiempo a largo plazo para construir un modelo de pronóstico de varios pasos. El algoritmo se desarrolló utilizando el lenguaje de programación Python en el entorno de desarrollo de Google Colab, con el objetivo de aprovechar su capacidad computacional y su interfaz amigable. La precisión del modelo VMD-LSTM se evaluó y los resultados experimentales indican que el modelo propuesto proporciona un rendimiento superior en el pronóstico de varios pasos.