La energía eólica, como recurso energético renovable, ha acaparado la atención de las autoridades energéticas de muchos países, ya que se utiliza como una de las principales fuentes de energía para satisfacer la creciente demanda energética. Sin embargo, es necesario prestar mucha atención a la hora de identificar el potencial eólico de una zona determinada debido a los cambios climáticos. En este sentido, es esencial prever tanto la generación de energía eólica como su potencial. Este artículo desarrolla modelos de redes neuronales artificiales (RNA) para predecir la generación de energía eólica en "Pawan Danawi", un parque eólico en funcionamiento de Sri Lanka. La velocidad del viento, la dirección del viento y la temperatura ambiente de la zona se utilizaron como matrices de variables independientes de los modelos RNA desarrollados, mientras que la potencia eólica generada se utilizó como variable dependiente. Los modelos se probaron con tres algoritmos de entrenamiento: Levenberg-Marquardt (LM), Gradiente Conjugado Escalado (SCG) y Regularización Bayesiana (BR). Además, el modelo se calibró para cinco porcentajes de validación (del 5% al 25% en intervalos del 5%) con cada algoritmo para identificar el mejor algoritmo de entrenamiento con los porcentajes de entrenamiento y validación más adecuados. Para evaluar el rendimiento de los modelos RNA desarrollados se utilizaron el error cuadrático medio (ECM), el coeficiente de correlación (R), el coeficiente de error cuadrático medio (ERM), el número de Nash y el BIAS. Los resultados revelaron que los tres algoritmos de entrenamiento producen predicciones aceptables para la generación de energía en el parque eólico de Pawan Danawi con R > 0,91, MSE < 0,22, y BIAS < 1. Entre ellos, el algoritmo de entrenamiento LM con un 70% de porcentajes de entrenamiento y un 5% de porcentajes de validación produce los mejores resultados de predicción. Los modelos desarrollados pueden utilizarse eficazmente en la predicción de la energía eólica en el parque eólico de Pawan Danawi. Además, los modelos pueden utilizarse con los escenarios climáticos previstos para predecir la futura cosecha de energía eólica. Además, los modelos pueden utilizarse aceptablemente en condiciones ambientales y climáticas similares para identificar el potencial eólico de la zona.
Citación recomendada (normas APA)
Hindawi, "Forecasting Wind Power Generation Using Artificial Neural Network, ?Pawan Danawi??A Case Study from Sri Lanka", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3903786/), el día 2025-06-15.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
