Komorebi AI

Redes neuronales profundas para predicción de energía eólica y solar

Neural Processing Letters, 2017

Resumen

En este estudio se utilizan modelos de Deep Learning para predecir la energía eólica y solar. Las entradas para estas predicciones son previsiones de viento y radiación solar derivadas de sistemas de Predicción Meteorológica Numérica que tienen una estructura espacial 2D distinta.

Los resultados muestran mejoras notables en las predicciones de los modelos individuales de Deep Learning (DL) y los conjuntos de DL frente a métodos más tradicionales como los vectores de soporte para regresión.

Modelos de aprendizaje profundo para mejorar la predictibilidad de la energía eólica y solar, contribuyendo así a soluciones energéticas sostenibles y a la mitigación del cambio climático.

¿Dónde se aplica?

La mejora de los modelos de predicción de las energías renovables tiene amplias aplicaciones en múltiples sectores. Por ejemplo, ayudan a las empresas energéticas a asignar la energía y gestionar la red y a los promotores de energías renovables a seleccionar los emplazamientos de parques eólicos y solares. Además, enriquecen los estudios de las instituciones de investigación sobre los patrones climáticos y los impactos de las energías renovables, y apoyan a los inversores en la evaluación del riesgo y la rentabilidad de las inversiones en infraestructuras de energías renovables.

En general, estos modelos contribuyen a mitigar el cambio climático al mejorar la eficiencia y fiabilidad de las fuentes de energía renovables.
Wind Energy Prediction

¿Por qué es importante?

La importancia de este estudio radica en su potencial para mejorar la previsibilidad de los recursos energéticos renovables. Mediante el empleo de modelos y conjuntos de DL, pueden lograrse predicciones más precisas de la energía eólica y solar. Una mayor precisión en estas previsiones puede mejorar la utilidad y la gestión de estas fuentes de energía renovables, convirtiéndolas en un sustituto más fiable de las fuentes de energía tradicionales.

Este escenario es crucial en el impulso global hacia soluciones energéticas sostenibles y en la mitigación de los impactos adversos de las fuentes de energía convencionales sobre el medio ambiente.

Redes Neuronales Profundas para la Predicción de Energía Eólica y Solar

Neural Processing Letters, 2017

Deep Neural Networks for Wind and Solar Energy Prediction

Otras publicaciones

renewable energy
Pomeron Physics at the LHC
Poor self‐reported sleep is associated with risk factors for cardiovascular disease: A cross‐sectional analysis in half a million adults

Predicción de Energía Fotovoltaica mediante Aprendizaje Automático utilizando Datos Satelitales

Física del Pomeron en el LHC

El sueño autoinformado deficiente se asocia con factores de riesgo de enfermedades cardiovasculares

Modelos de aprendizaje automático para mejorar la predicción de la producción de energía fotovoltaica en España, beneficiando sectores como la energía renovable y las finanzas.

El estudio utiliza la Teoría de Regge y el intercambio de Pomeron para mejorar la comprensión de las colisiones de hadrones. A largo plazo, influyendo en avances en áreas como la computación cuántica, la tecnología médica, la defensa y la energía.

El estudio indica un vínculo entre el sueño deficiente y un mayor riesgo de enfermedades cardiovasculares, enfatizando la necesidad de mejoras en estrategias del sueño y políticas de salud.