SciELO - Scientific Electronic Library Online

 
vol.21 issue1The Modified Quasi-geostrophic Barotropic Models Based on Unsteady TopographyPrediction of Hub Height Winds over the Plateau Terrain by using WRF /YSU/Noah and Statistical Forecast author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Earth Sciences Research Journal

Print version ISSN 1794-6190

Abstract

LAZZUS, Juan A.  and  SALFATE, Ignacio. Predicción a largo plazo de la velocidad de viento en la ciudad de La Serena (Chile) utilizando un algoritmo híbrido de red neuronal-enjambre de partículas. Earth Sci. Res. J. [online]. 2017, vol.21, n.1, pp.29-35. ISSN 1794-6190.  https://doi.org/10.15446/esrj.v21n1.50337.

Una 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 partículas 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 [ms-1], MSE=0.65 [ms-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 [ms-1]2 and R2=0.97 para la predicción de la velocidad del viento de 48 horas en adelanto.

Keywords : velocidad del viento; predicción de series de tiempo; redes neuronales artificiales; optimización de enjambre de partículas; datos meteorológicos.

        · abstract in English     · text in English     · English ( pdf )