Mostrar el registro sencillo del ítem

dc.contributor.advisorCastro Casadiego, Sergio Alexander
dc.contributor.advisorMedina Delgado, Byron
dc.contributor.authorDi Candia Jaimes, Gian Franco
dc.contributor.authorCalderon Angarita, Brayan Orlando
dc.date.accessioned2024-03-21T22:21:29Z
dc.date.available2024-03-21T22:21:29Z
dc.date.issued2022-03-15
dc.identifier.urihttps://repositorio.ufps.edu.co/handle/ufps/6756
dc.description.abstractEn la actualidad el uso de energías renovables es cada vez más utilizadas en el mundo, debido a que no afectan negativamente al medio ambiente, la energía del viento es de las más utilizadas también es conocida como Recurso Eólico. El presente proyecto tuvo como objetivo la predicción del Recurso Eólico disponible promedio y total en la ciudad de Cúcuta, con la utilización de las dos variables más influyentes velocidad del viento y temperatura. Para la construcción del modelo se utilizó el enfoque de Aprendizaje Automático en conjunto con la técnica de Redes Neuronales Artificiales. La métrica de éxito utilizada para evaluar al modelo fue el Error Absoluto Medio (MAE). El cual para la etapa de entrenamiento con un rango de 1 año tuvo un valor de 1.6 el cual representa el 1.7% del valor promedio de las predicciones. Para la etapa de evaluación del modelo se alimentó el algoritmo con datos tomados experimentalmente en las zonas de Ceiba, Torcoroma y Belén. Para evaluar predicciones en cada una de estas zonas con un rango de 10 minutos se obtuvo un MAE de 0.02, 0.03 y 0.06 respectivamente.spa
dc.description.tableofcontents1. Introducción 2. Descripción del problema 2.1. Planteamiento del problema 3. Justificación 3.1. Beneficios 3.1.1. Beneficios Ambientales 3.1.2. Beneficios Sociales 3.1.3. Beneficios Institucionales 3.1.4. Beneficios Económicos 4. Alcance 5. Limitaciones y delimitaciones 5.1. Limitaciones 5.2. Delimitaciones 5.2.1. Espacio geográfico y tiempo 5.2.2. Variables 5.2.3. Profundidad del tema 6. Objetivos 6.1. General 6.2. Específicos 16 17 17 19 19 20 20 20 21 22 23 23 23 23 24 24 25 25 25 7. Marco referencial 26 7.1. Antecedentes 7.2. Marco Teórico 7.2.1. Recurso Eólico 7.2.2. Variación de la velocidad media a largo plazo con la altura 7.2.3. Variación de la velocidad del viento estacionario con la altura 7.2.4. Inteligencia Artificial y Aprendizaje Automático 7.2.5. Aprendizaje Profundo 7.2.6. Ciencia de los Datos 7.2.7. Redes Neuronales Artificiales 7.2.8. Perceptrón simple 7.2.9. Perceptrón multicapa 7.2.10. Retropropagación 7.2.11. Validación K-Fold 7.2.12. Python 7.2.13. Anemómetro de álabe 7.3. Marco Legal 8. Diseño metodológico 8.1. Objetivo 1. Recopilar información sobre Recurso Eólico e Inteligencia Artificial 26 29 29 31 31 31 33 33 34 35 36 37 38 38 38 39 42 42 8.2. Objetivo 2. Seleccionar la tecnología y herramienta de software para la Inteligencia Artificial 42 8.3. Objetivo 3. Creación del modelo de Ciencia de los Datos e Inteligencia Artificial 43 8.4. Objetivo 4. Evaluar los resultados para determinar las zonas estratégicas donde se pueda aprovechar el recurso eólico en la ciudad de Cúcuta 9. Resultados 9.1. Estado del arte sobre Recurso Eólico e Inteligencia Artificial 9.1.1. Bases de datos para el Recurso Eólico 9.1.2. Selección del gestor de referencia 9.2. Selección de técnicas y herramientas de software 9.2.1. Técnicas de Inteligencia Artificial 9.2.2. Selección del lenguaje de programación 9.2.3. Software y entornos virtuales 9.3. Creación del modelo de Ciencia de los Datos 9.3.1. Colección de datos 9.3.2. Preprocesamiento de los datos 9.3.3. Exploración de los datos 9.3.4. Entrenamiento del modelo 9.3.5. Parámetros 9.3.6. Evaluación del modelo 9.3.7. Uso del modelo 44 45 45 46 46 50 51 56 59 60 61 63 65 68 68 70 71 9.3.8. Pruebas de funcionamiento sobre datos experimentales 71 9.3.9. Presentación de resultados mediante interfaz gráfica 9.4. Selección de zona para mejor aprovechamiento del Recurso Eólico 9.4.1. Análisis del perfil vertical del viento 9.4.2. Análisis del Recurso Eólico disponible promedio y total 10. Conclusiones 11. Recomendaciones Referencias Anexos 85 86 86 87 92 94 96 101spa
dc.format.extent162 páginas. ilustraciones, (Trabajo completo) 3.85 MBspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherUniversidad Francisco de Paula Santanderspa
dc.sourcehttps://catalogobiblioteca.ufps.edu.co/descargas/tesis/1161162_1161520.pdfspa
dc.titleAnálisis del recurso eólico en la ciudad de Cúcuta mediante ciencia de los datos e inteligencia artificialspa
dc.typeTrabajo de grado - Pregradospa
dcterms.referencesAguilar, R.M., Torres, J.M., Martín, C.A. (2019). Aprendizaje Automático en la Identificación de Sistemas. Un Caso de Estudio en la Predicción de la Generación Eléctrica de un Parque Eólico. Revista Iberoamericana de Automática e Informática Industrial, 16(1). DOI: https://doi.org/10.4995/riai.2018.9421spa
dcterms.referencesBadii, M.H., Guillen, A., Abreu, J.L. (2016). Energías Renovables y Conservación de Energía. Daena: Internacional Journal of Good Conscience, 11(1)141-155. ISSN 1870557Xspa
dcterms.referencesBolaños-Logroño, P. F., Yaulema-Castañeda, J. L., Gavilánez-Álvarez, O. D., & AyavacaVallejo, B. L. (2020). Redes neuronales en la predicción de la velocidad del viento. Polo del Conocimiento, 5(5). DOI: http://dx.doi.org/10.23857/pc.v5i5.1398. Recuperado de: https://redib.org/Record/oai_articulo2661736-redes-neuronales-en-lapredicci%C3%B3n-de-la-velocidad-del-vientospa
dcterms.referencesChercca Ramírez, J. A. (2014). Aprovechamiento del recurso eólico y solar en la generación de energía eléctrica y la reducción de emisiones de CO2 en el poblado rural La gramita de Casma. Recuperado de: http://cybertesis.uni.edu.pe/handle/uni/1694spa
dcterms.referencesEncinas, Jesus, Torrez, Rene, Ghezzi, Flavio, & Palenque, Eduardo R.. (2015). Caracteristicas del viento y del potencial eólico del altiplano central. Revista Boliviana de Física, 27(27), 20-24. Recuperado el 09 de marzo de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S156238232015000200004&lng=es&tlng=esspa
dcterms.referencesGarcía, Uriel & Ibarguengoytia, Pablo & González, Lorena & Valadez, Jorge. (2019). Técnicas de aprendizaje automático en el diagnóstico de aerogeneradores. Revista de Energías Renovables. 7-14. DOI: 10.35429/JRE.2019.11.3.7.14.spa
dcterms.referencesGavilanez, A., Caiza, G., Tapia, M. J., & Mora-Aguilar, J. (2020). Energías Renovables y Diseño Influencia en https://doi.org/10.29166/ingenio.v3i2.2722spa
dcterms.referencesGiraldo, M., Vacca Ramírez, R., & Urrego Quintanilla, A. (2018). LAS ENERGÍAS ALTERNATIVAS ¿UNA OPORTUNIDAD PARA COLOMBIA? Punto De Vista, 9(13). https://doi.org/10.15765/pdv.v9i13.1117spa
dcterms.referencesGonzález Velasco, J. (2009). Energías renovables. España, Reverté. ISBN: 9788429179125spa
dcterms.referencesGuerrero Hoyos, B. G., Vélez Macías, F. de J., & Morales Quintero, D. E. (2020). Energía eólica y territorio: sistemas de información geográfica y métodos de decisión multicriterio en Guajira (Colombia). Ambiente https://doi.org/10.11144/Javeriana.ayd23-44.eetsspa
dcterms.referencesIbargüengoytia-González, Pablo Héctor, Reyes-Ballesteros, Alberto, Borunda-Pacheco, Mónica, & García-López, Uriel Alejandro. (2018). Predicción de potencia eólica utilizando técnicas modernas de Inteligencia Artificial. Ingeniería, investigación y tecnología, 19(4), e033. https://doi.org/10.22201/fi.25940732e.2018.19n4.033spa
dcterms.referencesi Tortajada, J. F., i Castell, J. G., Andreu, J. L., i Domínguez, F. G., García, J. O., Tornero, O. B., ... & Conesa, A. C. (2001). Enfermedades asociadas a la polución atmosférica por combustibles fósiles. Aspectos pediátricos. Revista Española de Pediatría, 57(3), 213-225. Recuperado de: https://pesquisa.bvsalud.org/portal/resource/pt/ibc-471spa
dcterms.referencesNorman, A.T., Aprendizaje Automático En Acción. (2022). Rusia: ЛитРес.spa
dcterms.referencesPineda Pertuz, C. (2022). Aprendizaje automático y profundo en python: Una mirada hacia la inteligencia artificial. Colombia: Ediciones de la U. pp 35-36. ISBN: 9785042842290, 5042842292spa
dcterms.referencesRojas, E. M. Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revista Ibérica de Sistemas e Tecnologias de Informaçao; Lousada N.º E28, 04/2020. ISSN: 1646-9895spa
dcterms.referencesROLDÁN VILORIA, J. (2013). Energías renovables. Lo que saber. España, Ediciones Paraninfo, S.A. ISBN 13: 978-84-283-2968-2spa
dcterms.referencesSandoval Serrano, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica. ISSN 2072-568X. http://hdl.handle.net/10972/3626spa
dcterms.referencesSantamarta Flórez, José. (2004). Las energías renovables son el futuro. World Watch. ISSN 1136-8586, Nº 22, 2004, págs. 34-40spa
dcterms.referencesSchallenberg-Rodríguez, J.C., Piernavieja-Izquierdo, G., Hernández-Rodríguez, C. Unamunzaga-Falcón, P., García-Déniz, R., Días-Torres, M., Cabrera-Pérez, D., MartelRodríguez, G., Pardilla-Fariña, J., Subiela-Ortin, V. (2008). Energías renovables y eficiencia energética. España, Instituto Tecnológico de Canarias, S.A., pp 19-20. Recuperado de: http://up-rid2.up.ac.pa:8080/xmlui/handle/123456789/1459spa
dcterms.referencesVidal-Holguín, C.J., Bravo-Bastidas, J.J., Cajiao-Gómez, E., Meza-Herrera, P.P., ArangoSanclemente, S. Franco-Leyton, D., Calderón Sotero, J.H. (2012). Guía metodológica para la priorización de proyectos: Un enfoque aplicado a la infraestructura, la logística y la conectividad. Cali, Sello Editorial Javeriano-Pontificia Universidad Javeriana. ISBN: 9588347653, 9789588347653.spa
dcterms.referencesVillarrubia López, M. (2011). Ingeniería de la Energía Eólica. España: Marcombo, pp 97100. ISBN: 9788426715807spa
dc.contributor.corporatenameUniversidad Francisco de Paula Santanderspa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Electrónico(a)spa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeSan José de Cúcutaspa
dc.publisher.programIngeniería Electrónicaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)spa
dc.subject.lembInteligencia artificial
dc.subject.lembRedes
dc.subject.lembEnergias renovables
dc.subject.proposalRecurso eólicospa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalRedes neuronales artificialesspa
dc.subject.proposalMétrica de éxitospa
dc.subject.proposalError absoluto mediospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.contributor.juryPuerto López, Karla Cecilia
dc.contributor.juryLópez Bustamante, Oriana Alexandra


Ficheros en el ítem

Thumbnail

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

Mostrar el registro sencillo del ítem