Utiliza este identificador para citar o vincular este elemento: http://hdl.handle.net/10553/18829
Títulos: Estudios de predicción en series temporales de datos meteorológicos utilizando redes neuronales recurrentes
Autores/as: Montesdeoca Santana, Besay
Director/a de tesis doctoral: Guerra Artal, Cayetano Nicolás
Clasificación UNESCO: 33 Ciencias tecnológicas
Palabras clave: Red neuronal
LSTM
Predicción
Viento
Fecha de publicación: 2016
Resumen: <p>[ES] En los últimos años, en el campo de las energías renovables, la energía eólica ha sido una de las que mas se ha desarrollado e invertido. La importancia de las predicciones de viento radica en la ayuda que aportan para planificar y anticiparse a los valores futuros que afectarán al sistema, ayudando a gestionar la adquisición de los recursos necesarios con antelación suficiente. Recientemente se han desarrollado nuevas arquitecturas de redes recurrentes que resultan muy prometedoras para realizar predicción. En este trabajo se probará y experimentará con dichas arquitecturas para realizar distintas predicciones de la velocidad del viento en un horizonte de corto y muy corto plazo a partir de datos de series temporales de viento.</p>
<p>[EN]In recent years, in the field of renewable energy, wind energy has been one that more has developed and invested. The importance of wind predictions is in the help they provide to plan and anticipate future values that affect the system, helping to manage the acquisition of the necessary resources in advance. Recently developed new architectures recurrent networks that are very promising for prediction. In this work we will be tested and experiment with these architectures fordifferent predictions of wind speed in a horizon of short and very short term from time series data of wind.</p>
URI: http://hdl.handle.net/10553/18829
Derechos: by-nc-nd
Aparece en la colección:Trabajo final de grado

Archivos en este elemento:
Archivo Descripción TamañoFormato 
0728348_00000_0000.pdfMemoria2,04 MBAdobe PDFObserva/Abre
Muestra el registro completo del elemento

Google ScholarTM

Verifica


Los elementos en ULPGC accedaCRIS están protegidos por derechos de autor, con todos los derechos reservados, a menos que se indique lo contrario.