Publication:
APLICACIÓN DE REDES RECURRENTES PARA LA PREDICCIÓN DE POTENCIA EN PLANTAS EÓLICAS CHILENAS

Simple item page
dc.contributor.advisorALLENDE CID, HECTOR GABRIEL
dc.contributor.authorVALENZUELA CARRASCO, CAMILO ANDRES
dc.contributor.departmentUniversidad Tecnica Federico Santa Maria UTFSM INFORMATICAes_CL
dc.contributor.otherVALLE VIDAL, CARLOS ANTONIO
dc.coverage.spatialUniversidad Técnica Federico Santa María UTFSM. Casa Central Valparaísoes_CL
dc.date.accessioned2018-10-19T18:39:28Z
dc.date.available2018-10-19T18:39:28Z
dc.date.issued2018
dc.descriptionCatalogado desde la version PDF de la tesis.es_CL
dc.description.abstractEl uso de Energías Renovables no Convencionales (ERNC) en Chile va aumentando año a año,pero la incorporación de estas energías a un Sistema Eléctrico Nacional pensado para la generaciónde energía tradicional no es simple. La energía eólica es una las ERNC que ha tomado mayorrelevancia el último tiempo, no obstante que el comportamiento estocástico de la velocidad delviento hace difícil predecir la potencia eólica generada en el futuro, por lo que es necesario tenermodelos de predicción eficientes a distintos horizontes de tiempo.En este trabajo se realizará una comparación entre los modelos estadísticos tradicionales lineales,con los modelos del estado del arte de las Redes Neuronales Recurrentes (RNN). Mostrando que lasRNN obtienen mejores resultados a distintos horizontes de predicción gracias a que son modelosaltamente no lineales y no realizan supuestos de la serie al momento de modelar.es_CL
dc.description.abstractThe use of Non-Conventional Renewable Energy (NCRE) in Chile is increasing every year, butthe incorporation of these energies into a National Electric System designed for traditional energygeneration methods is not simple. Wind power is the NCRE that has become more relevant in recenttimes, although the stochastic behavior of wind speed makes it difficult to predict the wind powergenerated in the future, so it is necessary to have efficient prediction models at different horizons.In this paper a comparison between the traditional linear statistical models, with the state of theart models of the Recurrent Neural Networks (RNN) will be made. Showing that the RNN obtainbetter results at different prediction horizons thanks to the fact that they are highly non-linear modelsand do not make assumptions of the series at the moment of modeling.eng
dc.description.degreeIngeniería Civil en Informáticaes_CL
dc.format.extent65 h.
dc.format.mediumCD ROM
dc.format.mimetypeapplication/pdf
dc.identifier.barcode3560900257407
dc.identifier.urihttp://hdl.handle.net/11673/42595
dc.rights.accessRightsA - Internet abierta www.repositorio.usm.cl y otros repositorios a la que la USM se adscriba
dc.subjectARIMAes_CL
dc.subjectENERGIA EOLICAes_CL
dc.subjectENERGIAS RENOVABLESes_CL
dc.subjectMACHINE LEARNINGes_CL
dc.subjectREDES NEURONALES RECURRENTESes_CL
dc.titleAPLICACIÓN DE REDES RECURRENTES PARA LA PREDICCIÓN DE POTENCIA EN PLANTAS EÓLICAS CHILENASes_CL
dc.typeTesis Pregradoes_CL
dspace.entity.typePublication
usm.date.thesisregistration2016
usm.identifier.thesis4500013206
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
3560900257407UTFSM.pdf
Size:
1.86 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
TESIS de Pregrado de acceso ABIERTO