Estimación de datos faltantes en series históricas de radiación global mediante algoritmos de redes neuronales
DOI:
https://doi.org/10.18046/syt.v14i37.2239Palabras clave:
Red neuronal, pesos, bias, depuración, imputación.Resumen
En el tratamiento de datos de series de tiempo meteorológicas se encuentran problemas de datos incompletos en algunos intervalos de tiempo; el problema se aborda comúnmente utilizando el modelo auto-regresivo de media móvil (ARIMA) o el método por análisis de regresión (interpolación), ambos con ciertas limitaciones en condiciones particulares. En este documento se reportan los resultados de una investigación dirigida a resolver el problema utilizando redes neuronales. Se presenta el análisis efectuado a una serie histórica de radiación global obtenida en la Universidad Francisco de Paula Santander (Cúcuta, Colombia), con base en los datos registrados por su estación meteorológica, a partir de una serie de estudio de diez años (125.658 registros de temperatura, radiación y energía), con 9.98% datos faltantes. Los datos fueron debidamente depurados y completados mediante algoritmos de redes neuronales tipo backpropagation usando el software matemático MATLAB.Referencias
Basheer, L., & Hajmeer, M., (2000). Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods, 43(1), 3-31.
Colmenares, G. (n.d.). Análisis multivariante inteligencia artificial y sus aplicaciones [material del curso - Postgrado en Economía]. Mérida, Venezuela: Universidad de los Andes. Retrieved from: http://www.webdelprofesor.ula.ve/economia/gcolmen/postgrado2.html
Hamzaoui A., Hernández J., Martinez, S., Bassam, A., Álvarez, A., & Lizama, C. (2011). Optimal performance of COD removal during aqueous treatment of alazine and gesaprim commercial herbicides by direct and inverse neural network. Desalination, 277(1), 325-337.
Hernández, J., Bassam, A., Siqueiros, j., & Juarez, D., (2009). Optimum operating conditions for a water purification process integrated to a heat transformer with energy recycling using neural network inverse. Renewable Energy, 34(4), 1084-1091.
Infante, S., Ortega J., & Cedeño, F. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales. Revista de climatología. 8, 51-70.
Jamett, M. (2004). Feedforward convergence and stability analysis from a set perspective: State estimation approach [doctoral thesis]. Universidad de Santiago de Chile.
Leal, F. & Hernández, M. (2013). Estudio del potencial eólico y solar de Cúcuta, Norte de Santander. Revista Colombiana de Tecnologías de Avanzada, 2(22), 27-33.
Medina, R. (2008). Estimación estadística de valores faltantes en series históricas de lluvia [thesis]. Pereira, Colombia: Universidad Tecnológica de Pereira.
Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería [1ª ed.]. México DF: alfaomega.
Ramírez, F. (2010). Sistema para la predicción de posición y seguimiento de un conjunto de náufragos basado en redes neuronales [tesis de maestría]. Universidad Complutense de Madrid: España.
San Juan, E., Jamett, M., Kaschel, H., & Sánchez, L. (2015). Sistema de reconocimiento de voz mediante wavelets, predicción lineal y redes backpropagation. Ingeniare. Revista chilena de ingeniería, 24(1), 8-17.
Serlin, J. (2010). Conocimiento de la gestión de las organizaciones: sistemas complejos dinámicos inestables adaptativos [doctoral thesis]. Argentina: Universidad de Buenos Aires.
Sumathi, S., Ashok, L., & Surekha, P., (2015). Solar PV and wind energy conversion systems: an introduction to theory, modeling with matlab/simulink, and the role of sofy computing techniques [1a ed.]. Cham, Switzerland: Springer. doi:10.1007/978-3-319-14941-7.
Unidad de Planeación Minero Energética [UPME], Instituto de Hidrología,
Meteorología y Estudios Ambientales [IDEAM]. (2005). Atlas de radiación solar en Colombia. Bogotá, Colombia: UPME/IDEAM.
Vásquez, A., Rojas, J., & Duarte, E. (2015). Evaluación y caracterización del recurso eólico en la Universidad Francisco de Paula Santander Cúcuta y prospectiva para el aprovechamiento energético en el Norte de Santander. El Hombre y la Máquina, 46, 144-152.
Colmenares, G. (n.d.). Análisis multivariante inteligencia artificial y sus aplicaciones [material del curso - Postgrado en Economía]. Mérida, Venezuela: Universidad de los Andes. Retrieved from: http://www.webdelprofesor.ula.ve/economia/gcolmen/postgrado2.html
Hamzaoui A., Hernández J., Martinez, S., Bassam, A., Álvarez, A., & Lizama, C. (2011). Optimal performance of COD removal during aqueous treatment of alazine and gesaprim commercial herbicides by direct and inverse neural network. Desalination, 277(1), 325-337.
Hernández, J., Bassam, A., Siqueiros, j., & Juarez, D., (2009). Optimum operating conditions for a water purification process integrated to a heat transformer with energy recycling using neural network inverse. Renewable Energy, 34(4), 1084-1091.
Infante, S., Ortega J., & Cedeño, F. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales. Revista de climatología. 8, 51-70.
Jamett, M. (2004). Feedforward convergence and stability analysis from a set perspective: State estimation approach [doctoral thesis]. Universidad de Santiago de Chile.
Leal, F. & Hernández, M. (2013). Estudio del potencial eólico y solar de Cúcuta, Norte de Santander. Revista Colombiana de Tecnologías de Avanzada, 2(22), 27-33.
Medina, R. (2008). Estimación estadística de valores faltantes en series históricas de lluvia [thesis]. Pereira, Colombia: Universidad Tecnológica de Pereira.
Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería [1ª ed.]. México DF: alfaomega.
Ramírez, F. (2010). Sistema para la predicción de posición y seguimiento de un conjunto de náufragos basado en redes neuronales [tesis de maestría]. Universidad Complutense de Madrid: España.
San Juan, E., Jamett, M., Kaschel, H., & Sánchez, L. (2015). Sistema de reconocimiento de voz mediante wavelets, predicción lineal y redes backpropagation. Ingeniare. Revista chilena de ingeniería, 24(1), 8-17.
Serlin, J. (2010). Conocimiento de la gestión de las organizaciones: sistemas complejos dinámicos inestables adaptativos [doctoral thesis]. Argentina: Universidad de Buenos Aires.
Sumathi, S., Ashok, L., & Surekha, P., (2015). Solar PV and wind energy conversion systems: an introduction to theory, modeling with matlab/simulink, and the role of sofy computing techniques [1a ed.]. Cham, Switzerland: Springer. doi:10.1007/978-3-319-14941-7.
Unidad de Planeación Minero Energética [UPME], Instituto de Hidrología,
Meteorología y Estudios Ambientales [IDEAM]. (2005). Atlas de radiación solar en Colombia. Bogotá, Colombia: UPME/IDEAM.
Vásquez, A., Rojas, J., & Duarte, E. (2015). Evaluación y caracterización del recurso eólico en la Universidad Francisco de Paula Santander Cúcuta y prospectiva para el aprovechamiento energético en el Norte de Santander. El Hombre y la Máquina, 46, 144-152.
Descargas
Publicado
2016-08-05
Número
Sección
Investigación científica y tecnológica
Licencia
Esta publicación está licenciada bajo los términos de la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es)
