Predicción de la generación de energía eólica en la región de Biobío en Chile utilizando modelos de Machine Learning y Series Temporales

Vista sencilla de ítem
dc.contributor.advisorCubillos, Alfonso
dc.contributor.authorCadena Valencia, Paula Andrea
dc.contributor.authorMuñoz Puga, Julio Alberto
dc.contributor.authorParada Suarez, William Rodrigo
dc.date.accessioned2024-09-06T18:47:37Z
dc.date.available2024-09-06T18:47:37Z
dc.date.issued2024-06
dc.description.abstractChile avanza en la transición hacia energías renovables y la transformación de su matriz energética. Este estudio predice la generación diaria de energía eólica en 15 centrales de la región del Biobío usando modelos de aprendizaje automático (ETR y XGBoost), redes LSTM y series temporales (SARIMAX). Los modelos se entrenan con tres años de datos históricos, incluyendo variables meteorológicas. Se compara el rendimiento de los modelos con métricas como MAE y RMSE para determinar el más preciso. Los resultados buscan mejorar las decisiones en el mercado de energía, optimizando la gestión de recursos.
dc.description.abstractenglishChile is advancing in the transition to renewable energy and transforming its energy matrix. This study predicts the daily wind energy generation at 15 power plants in the Biobío region using machine learning models (ETR and XGBoost), LSTM networks, and time series models (SARIMAX). The models are trained with three years of historical data, including meteorological variables. Model performance is compared using metrics like MAE and RMSE to determine the most accurate one. The results aim to improve decision-making in the energy market, optimizing resource management.
dc.identifier.urihttps://hdl.handle.net/20.500.12495/12959
dc.language.isoes
dc.relation.referencesMinisterio de Energía de Chile. Política energética nacional. Santiago, Gobierno de Chile, https://energia.gob.cl/sites/default/files/documentos/politica-energetica-nacional.pdf.
dc.relation.referencesCarpena, Marco. Modelización y predicción de la energía eléctrica producida en un aerogenerador utilizando modelos estocásticos temporales a partir de series de viento. 2021, España, Valencia, chromeextension://efaidnbmnnnibpcajpcglclefindmkaj/https://riunet.upv.es/bitstream/handle/10251/84261/78536109X_TFG_14968419448316659365465685192362.pdf?sequence=2.
dc.relation.referencesTrujillo Romero, Felipe, et al. “Predicting Electricity Consumption Using Neural Networks.” IEEE LATIN AMERICA TRANSACTIONS, vol. 9, no. 7, 2011, pp. 1066-1072.
dc.relation.referencesA. Rahman y A. S. Ahmar, "Forecasting of primary energy consumption data in the United States: A comparison between ARIMA and Holter-Winters models," en AIP Conference Proceedings, vol. 020163, 2017. DOI: 10.1063/1.5002357.
dc.relation.referencesF. Mehmood, M. U. Ghani, H. Ghafoor, R. Shahzadi, M. N. Asim, y W. Mahmood, "EGD-SNet: A computational search engine for predicting an end-to-end machine learning pipeline for Energy Generation & Demand Forecasting," Revista Elsevier - Applied Energy, 2022
dc.relation.referencesR. Wazirali, E. Yaghoubi, M. S. S. Abujazar, R. Ahmad, y A. H. Vakili, "State-of-the-art review on energy and load forecasting in microgrids using artificial neural networks, machine learning, and deep learning techniques," Elsevier - Electric Power Systems Research, vol. 225, p. 109792, 2023.
dc.relation.referencesN. Huang, C. Yuan, G. Cai, y E. Xing, "Hybrid Short Term Wind Speed Forecasting Using Variational Mode Decomposition and a Weighted Regularized Extreme Learning Machine," *Energies*, vol. 9, p. 989, 2016.
dc.relation.referencesÁ. M. García, "Análisis de series de tiempo," Universidad Javeriana, 2010.
dc.relation.referencesG. E. P. Box, G. M. Jenkins, and G. C. Reinsel, "Time Series Analysis: Forecasting and Control," 5th ed., Hoboken, NJ, USA: Wiley, 2015.
dc.relation.referencesInvestChile Insights, "Informe Energía Proyección y oportunidades," eBook Series, 2021.
dc.relation.referencesJ. Bartlett, "Chile apuesta al hidrógeno verde," Fondo Monetario Internacional, 2022.
dc.relation.referencesBloombergNEF, "Climatescope 2020," Bloomberg, 2020.
dc.relation.referencesInstituto Nacional de Estadística, "Generación de Energía Eléctrica Región del Biobío, Edición Nº 54," 2023.
dc.relation.referencesMordor Intelligence. (2024). "Chile Wind Energy Market - Growth, Trends, COVID-19 Impact, and Forecasts (2024 - 2029).
dc.relation.referencesComisión Nacional de Energía, "Energías Renovables No Convencionales", 2009. [Online].Disponible:chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://energia.go b.cl/sites/default/files/documentos/ernc_mercado_electrico_chileno_baja_resolucion.pdf
dc.relation.referencesCoordinador Eléctrico Nacional, “Reportes y Estadísticas”, Histórico Generación Horaria por Central https://www.coordinador.cl/reportes-y-estadisticas/#Estadisticas
dc.relation.referencesNASA Langley Research Center, "POWER Data Access Viewer," [Online]. Available: https://power.larc.nasa.gov/data-access-viewer/. [Accessed: May 30, 2024].
dc.relation.referencesG. James, D. Witten, T. Hastie, R. Tibshirani, y J. Taylor, An Introduction to Statistical Learning with Applications in R, 2nd ed. Nueva York: Springer, 2023.
dc.relation.referencesA. Kassambara, Machine Learning Essentials. STHDA, 2017.
dc.relation.referencesP. Geurts, D. Ernst, y L. Wehenkel, "Extremely Randomized Trees," Machine Learning, vol. 63, no. 1, pp. 3-42, 2006.
dc.relation.referencesL. Breiman, "Random Forests," Machine Learning, vol. 45, no. 1, pp. 5-32, 2001.
dc.relation.referencesT. Chen y C. Guestrin, "XGBoost: A Scalable Tree Boosting System," en Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), San Francisco, CA, USA, 2016, pp. 785-794.
dc.relation.referencesJ. Brownlee, Long Short-Term Memory Networks With Python: Develop Sequence Prediction Models with Deep Learning. 2017. [Online].
dc.relation.referencesA. Alharbi y D. Csala, "Advanced Energy Forecasting Using the SARIMAX Model," 2022. [Online].
dc.relation.referencesV. Vovk, A. Gammerman, y G. Shafer, Algorithmic Learning in a Random World. Nueva York: Springer, 2005.
dc.relation.referencesG. Shafer y V. Vovk, A Tutorial on Conformal Prediction. J. Mach. Learn. Res., 2008.
dc.relation.referencesA. Gammerman, V. Vovk, y H. Papadopoulos, Conformal and Probabilistic Prediction with Applications. Springer, 2016.
dc.relation.referencesA.J. Lei, M. G'Sell, A. Rinaldo, R. J. Tibshirani, y L. Wasserman, "Distribution-Free Predictive Inference for Regression," J. Am. Stat. Assoc., vol. 113, no. 523, pp. 1094-1111, 2018.
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.localAcceso abierto
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectChile
dc.subjectenergía renovable
dc.subjectPredicción
dc.subjectEnergía eólica
dc.subjectAprendizaje automático
dc.subjectRegión Biobío
dc.subjectMercado energético
dc.subject.keywordsChile
dc.subject.keywordsrenewable energy
dc.subject.keywordsPrediction
dc.subject.keywordsWind energy
dc.subject.keywordsMachine learning
dc.subject.keywordsBiobío region
dc.subject.keywordsEnergy market
dc.titlePredicción de la generación de energía eólica en la región de Biobío en Chile utilizando modelos de Machine Learning y Series Temporales
dc.title.translatedPrediction of Wind Energy Generation in the Biobío Region of Chile Using Machine Learning and Time Series Models

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Trabajo de grado.pdf
Tamaño:
8.67 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
No hay miniatura disponible
Nombre:
Carta de autorización.pdf
Tamaño:
475.45 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Colecciones

Maestría Estadística Aplicada y Ciencia de Datos