Mostrar el registro sencillo del ítem

Applicative for the solar generation forecast

dc.contributor.advisorArango Manrique, Adriana
dc.contributor.advisorRomero Rodriguez, Daniel
dc.contributor.authorPedroza Chamorro, David Elías
dc.date.accessioned2020-06-11T21:26:08Z
dc.date.available2020-06-11T21:26:08Z
dc.date.issued2020-06-08
dc.identifier.urihttp://hdl.handle.net/10584/8909
dc.description.abstractLas aplicaciones para el pronóstico de generación con fuentes intermitentes permiten prever la producción futura en una planta de generación. Este pronóstico ayuda con la estabilidad del sistema interconectado nacional al mantener el balance entre la energía producida y la consumida de los agentes conectados al sistema. En el caso de la generación eléctrica basada en fuentes de energía renovables como la energía solar, el recurso requerido para la producción energética cambia de forma constante por la variación de las condiciones climáticas, lo cual presenta un reto importante para la implementación a gran escala de las fuentes de energías limpias, que son muy necesarias para la sostenibilidad ambiental. Es por esto que se propone realizar una aplicación de pronóstico de generación solar, desde el punto de vista de un generador que busca diferenciarse de la competencia realizando sus propios pronósticos. Se entrenó una red neuronal que relaciona la generación para las próximas 40 horas de un panel solar de 30W ubicado en la ciudad de Barranquilla, con los datos de variables meteorológicas de la estación meteorológica ubicada en el barrio Las Flores (Barranquilla), mapas de predicciones meteorológicas generados con modelos GFS por la NOAA (National Oceanic and Atmospheric Administration) y variables astronómicas. El modelo fue evaluado bajo condiciones más estrictas que las definidas en la Resolución CREG 060 del 2019, debido a que las pérdidas se contabilizaron al precio de oferta y no al precio de oferta menos el precio de bolsa. El aplicativo muestra un rendimiento para el despacho en el intervalo 0-24 horas del 88,60% y para el intervalo 24-48 horas es de 83,86%. Si solo se consideran los casos en los cuales la planta de generación obtuvo pérdidas por producir menos de lo declarado, el rendimiento del algoritmo asciende al 94,40% en el intervalo de 0-24 y 91,29% en el intervalo de 24-48 horas, en los dos casos cuando se realiza el despacho.es_ES
dc.description.abstractApplications for generation forecasting allows foresee future energy production in a generation plant or a set of these. This is very important owing to the stability of the national interconnected system depends on a perfect balance between the energy produced and the energy consumed by the agents connected to the network. In the case of electricity generation based on renewable energy sources such as solar energy, the resource required for energy production (fuel) changes constantly; this due to the variation of climatic conditions, which presents a significant challenge for the large-scale implementation of clean energy sources which are very necessary for environmental sustainability. The goal of this project is to carry out a solar generation forecast application from the point of view of a generator that seeks to differentiate itself from the competition by making its own forecasts. A neural network that relates the future generation for the next 40 hours of a 30W solar panel located in the city of Barranquilla, Colombia was trained alongside with the data of meteorological variables of a station located in Las Flores (Barranquilla), maps of meteorological predictions generated by NOAA (GFS Model) and astronomical variables. The model was evaluated under more stringent conditions than CREG resolution 060 of 2019 because the losses were accounted for at the offer price and not at the offer price less the stock price. The applicative shows a performance for dispatch in the interval 0-24 hours of 88.60% and 83.86% for the interval of 24-48 hours. If we only consider the cases in which the generation plant only obtained losses for producing less than what was declared, the performance of the algorithm amounts to 94.40% in the range of 0-24 and 91.29% in the range of 24 -48 hours, in both cases when dispatch is carried out.en_US
dc.language.isospaes_ES
dc.publisherBarranquilla, Universidad del Norte, 2020es_ES
dc.rightsUniversidad del Nortees_ES
dc.subjectPredicciónes_ES
dc.subjectGeneraciónes_ES
dc.subjectSoles_ES
dc.subjectSolares_ES
dc.subjectRenovableses_ES
dc.subjectFuenteses_ES
dc.subjectIndustria 4.0es_ES
dc.subjectRed Neuronales_ES
dc.subjectArtificial intelligenceen_US
dc.subjectIAen_US
dc.subjectForecasten_US
dc.subjectGenerationen_US
dc.subjectSunen_US
dc.subjectRenewablesen_US
dc.subjectSourcesen_US
dc.subjectNeural Networken_US
dc.subjectIndustry 4.0en_US
dc.titleAplicativo para el pronóstico de generación solares_ES
dc.titleApplicative for the solar generation forecasten_US
dc.typearticlees_ES
dc.rights.accessrightsopenAccesses_ES


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem