Show simple item record

dc.rights.licenseAtribución-NoComercial 4.0 Internacional
dc.contributor.authorLazzús, Juan A
dc.contributor.authorSalfate, Ignacio
dc.date.accessioned2019-07-02T21:55:41Z
dc.date.available2019-07-02T21:55:41Z
dc.date.issued2017-01-01
dc.identifier.issnISSN: 2339-3459
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/63587
dc.description.abstractAn artificial neural network was used for forecasting of long-term wind speed data (24 and 48 hours ahead) in La Serena City (Chile). In order to obtain a more effective correlation and prediction, a particle swarm algorithm was implemented to update the weights of the network. 43800 data points of wind speed were used (years 2003- 2007), and the past values of wind speed, relative humidity, and air temperature were used as input parameters, considering that these meteorogical parameters are more readily available around the globe. Several neural network architectures were studied, and the optimum architecture was determined by adding neurons in systematic form and evaluating the root mean square error (RMSE) during the learning process. The results show that the meteorological variables used as input parameters, have influential effects on the good training and predicting capabilities of the chosen network, and that the hybrid neural network can forecast the hourly wind speed with acceptable accuracy, such as: RMSE=0.81 [m·s−1], MSE=0.65 [m·s−1] 2 and R2 =0.97 for 24-hours-ahead wind speed prediction, and RMSE=0.78, MSE=0.634 [m·s−1] 2 and R2 =0.97 for 48-hours-ahead wind speed prediction.
dc.description.abstractUna red neuronal artificial fue utilizada para la predicción de datos de la velocidad de viento a largo plazo (24 y 48 horas en adelanto) en la Ciudad de La Serena (Chile). Para obtener una efectiva correlación y predición, se implementó una optimización de enjambre de particulas para actualizar los pesos de la red. Se emplearon 43800 datos de velocidad de viento (años 2003-2007), y los valores pasados de velocidad del viento, humedad relativa y temperatura del aire fueron utilizados como parámetros de entrada, considerando que estos parámetros meteorológicos se encuentran fácilmente disponibles en todo el mundo. Se estudiaron varias arquitecturas de redes neuronales y la arquitectura optima se determine añadiendo neuronas de forma sistemática y evaluando la raíz del error cuadrático medio (RMSE) durante el proceso de aprendizaje. Los resultados muestran que las variables meteorológicas utilizadas como parámetros de entrada, tienen un efecto positivo sobre el correcto entrenamiento y capacidades predictivas de la red, y que la red neural híbrida puede pronosticar la velocidad del viento horaria con una precisión aceptable, como un RMSE=0.81 [m·s−1], MSE=0.65 [m·s−1] 2 y R2 =0.97 para la predicción de la velocidad del viento de 24 horas en adelanto, y un RMSE=0.78, MSE=0.634 [m·s−1] 2 and R2 =0.97 para la predicción de la velocidad del viento de 48 horas en adelanto.
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.publisherUniversidad Nacional de Colombia - Sede Bogotá - Facultad de Ciencias - Departamento de Geociencia
dc.relationhttps://revistas.unal.edu.co/index.php/esrj/article/view/50337
dc.relation.ispartofUniversidad Nacional de Colombia Revistas electrónicas UN Earth Sciences Research Journal
dc.relation.ispartofEarth Sciences Research Journal
dc.rightsDerechos reservados - Universidad Nacional de Colombia
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/
dc.subject.ddc55 Ciencias de la tierra / Earth sciences and geology
dc.titleLong-term prediction of wind speed in La Serena City (Chile) using hybrid neural network-particle swarm algorithm
dc.typeArtículo de revista
dc.type.driverinfo:eu-repo/semantics/article
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dc.identifier.eprintshttp://bdigital.unal.edu.co/64033/
dc.relation.referencesLazzús, Juan A and Salfate, Ignacio (2017) Long-term prediction of wind speed in La Serena City (Chile) using hybrid neural network-particle swarm algorithm. Earth Sciences Research Journal, 21 (1). pp. 29-35. ISSN 2339-3459
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.subject.proposalWind speed
dc.subject.proposaltime series forecasting
dc.subject.proposalartificial neural network
dc.subject.proposalparticle swarm optimization
dc.subject.proposalmeteorological data
dc.subject.proposalVelocidad del viento
dc.subject.proposalpredicción de series de tiempo
dc.subject.proposalredes neuronales artificiales
dc.subject.proposaloptimización de enjambre de particulas
dc.type.coarhttp://purl.org/coar/resource_type/c_6501
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.contentText
dc.type.redcolhttp://purl.org/redcol/resource_type/ART
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial 4.0 InternacionalThis work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit