Ítem
Acceso Abierto

Uso de modelos de aprendizaje automático para la predicción de energía eólica y su uso potencial en el mercado de corto plazo en colombia

Mostrar el registro sencillo de la publicación
dc.contributor.advisorMatiz Chicacausa, Andrea
dc.creatorHernández Tocora, Luis Carlos
dc.creatorGutiérrez Astudillo, Nilson Adiel
dc.creator.degreeMagíster en Energías Renovables
dc.date.accessioned2026-01-14T11:56:03Z
dc.date.available2026-01-14T11:56:03Z
dc.date.created2025-12-09
dc.descriptionEl desarrollo de tecnologías para producir electricidad con base en el aprovechamiento de recursos naturales como el viento y sol, considerados limpios, ilimitados y renovables, ha transformado la generación de energía eléctrica. Sin embargo, estas tecnologías enfrentan el desafío de integrar fuentes renovables en los sistemas eléctricos de potencia, caracterizados por su confiabilidad y seguridad en el suministro eléctrico. Este reto se debe principalmente a la intermitencia de estas fuentes renovables, en contraste con fuentes convencionales como la generación térmica, nuclear y las grandes centrales hidroeléctricas. La continuidad en los sistemas eléctricos de potencia es crucial para mantener la confiabilidad del sistema eléctrico en cualquier país. Dado que la energía eólica, presenta variaciones en su intensidad a lo largo del día, mes y año, resulta esencial implementar metodologías predictivas. Estas metodologías, basadas en la recopilación y análisis de datos, son fundamentales para prever la generación de energía eólica, contribuyendo así a la estabilidad, confiabilidad y seguridad de los sistemas eléctricos de potencia. Los modelos de predicción pueden basarse en datos meteorológicos o ser más avanzados al integrar el aprendizaje automático que permite procesar grandes cantidades de datos, identificar patrones no lineales y ajustar sus parámetros sin intervención manual.
dc.description.abstractThe development of technologies to generate electricity based on the use of natural resources such as wind and solar energy—considered clean, unlimited, and renewable—has transformed electric power generation. However, these technologies face the challenge of integrating renewable energy sources into power systems, which are characterized by their reliability and security of electricity supply. This challenge is mainly due to the intermittency of renewable sources, in contrast to conventional sources such as thermal generation, nuclear power, and large hydroelectric plants. The continuity of power systems is crucial to maintaining the reliability of the electrical system in any country. Since wind energy exhibits variations in its intensity throughout the day, month, and year, it is essential to implement predictive methodologies. These methodologies, based on data collection and analysis, are fundamental for forecasting wind power generation, thereby contributing to the stability, reliability, and security of power systems. Forecasting models may be based on meteorological data or be more advanced by integrating machine learning techniques, which enable the processing of large volumes of data, the identification of nonlinear patterns, and the adjustment of model parameters without manual intervention. Si lo necesitas con un estilo aún más académico (tipo paper IEEE o tesis de maestría), dime y lo ajusto. Traducir al ingles: Energía eólica, Predicción de energía eólica, Modelos predictivos, Aprendizaje automático, Machine Learning. Wind energy, Wind energy forecasting, Predictive models, Machine learning, Machine Learning.
dc.format.extent64 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47192
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47192
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ciencias e Ingenieríaspa
dc.publisher.programMaestría en Energías Renovablesspa
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationShan Gao, Ningyu Zhang “A review of different methodologies for solving the problem of wind power's fluctuation”. 2009 International Conference on Sustainable Power Generation and Supply
dc.source.bibliographicCitationDevashish, Amarnath T., Swetapadma P.,“A Review on Wind Energy Conversion System and Enabling Technology”. 2016 International Conference on Electrical Power and Energy Systems, 527-532.
dc.source.bibliographicCitationYue Chen, Zhizhong Guo, Hongbo Li, Guizhong Wang, Yingwei Hou, Abebe Tilahun Tadie. “Review of Research on Power Accommodation of Power Systems with High Proportion Renewable Power Sources”. 2019 22nd International Conference on Electrical Machines and Systems (ICEMS)
dc.source.bibliographicCitationMark Hutchinson, Feng Zhao. “Global Wind Report 2023” Global Wind Energy Council (GWEC), Bruselas, 2023. Disponible en: GWEC's Global Wind Report 2023. Consultado:18 de agosto 2025
dc.source.bibliographicCitationMałgorzata Wiatros-Motyka. “Global Electricity Review 2023” Ember, 2023. Disponible en: Global Electricity Review 2023 | Ember. Consultado:18 de agosto 2025
dc.source.bibliographicCitationErlong Zhao, Shaolong Sun, Shouyang Wang. “New developments in wind energy forecasting with artificial intelligence and big data: a scientometric insight”. Data Science and Management, Volume 5, Issue 2, June 2022, Pages 84-95
dc.source.bibliographicCitationSaurabh S. Soman, Hamidreza Zareipour, Om Malik, Paras Mandal. “A review of wind power and wind speed forecasting methods with different time horizons”. North American Power Symposium 2010
dc.source.bibliographicCitationTsai, W.-C.; Hong, C.-M.; Tu, C.-S.; Lin, W.-M.; Chen, C.-H. “A Review of Modern Wind Power Generation Forecasting Technologies”. Sustainability 2023
dc.source.bibliographicCitationMararakanye, N., Dalton, A., Bekker, B. “Incorporating Spatial and Temporal Correlations to Improve Aggregation of Decentralized Day-Ahead Wind Power Forecasts”. IEEE Access 2022
dc.source.bibliographicCitationKrannichfeldt, L.V., Wang, Y., Zufferey, T., Hug, G. “Online Ensemble Approach for Probabilistic Wind Power Forecasting”. IEEE Trans. Sustain. Energy 2022, 13, 1221–1233
dc.source.bibliographicCitationYu, Y.; Han, X.; Yang, M.; Yang, J. “Probabilistic Prediction of Regional Wind Power Based on Spatiotemporal Quantile Regression”. IEEE Trans. Ind. Appl. 2020, 56, 6117– 6127
dc.source.bibliographicCitationYu, Y.X.; Yang, M.; Han, X.S.; Zhang, Y.M.; Ye, P.F. “A Regional Wind Power Probabilistic Forecast Method Based on Deep Quantile Regression”. IEEE Trans. Ind. Appl. 2021, 57, 4420–4427
dc.source.bibliographicCitationG. Grassi and P. Vecchio. “Wind energy prediction using a two-hidden layer neural network,” Commun Nonlinear Sci Numer Simul, vol. 15, no. 9, pp. 2262–2266, Sep. 2010
dc.source.bibliographicCitationComisión de Regulación de Energía y Gas (CREG), “Cómo funciona el mercado eléctrico de Colombia”, Publicación 8206. [En línea]. Disponible: https://creg.gov.co/publicaciones/8206/como-funciona-el-mercado-electrico-decolombia/. Consultado: 30 de octubre 2025
dc.source.bibliographicCitationVelázquez Medina, Sergio Leandro. Tesis doctoral “Estimación de la potencia eólica en una zona mediante el apoyo de estaciones meteorológicas de referencia y el empleo de técnicas estadísticas no paramétricas, funcionales y de machine learning: aplicación a las islas Canarias” Departamento de Ingeniería Mecánica. 2011
dc.source.bibliographicCitationF. Guerrero-Villar, R. Dorado-Vicente, M. Fike, and E. Torres-Jiménez, “Influence of ambient conditions on wind speed measurement: Impact on the annual energy production assessment,” Energy Convers Manag, vol. 195, pp. 1111–1123, Sep. 2019
dc.source.bibliographicCitationMiguel García Lobo. Tesis doctoral “Métodos de predicción de la generación agregada de energía eólica”. Departamento de Ingeniería Eléctrica. 2010
dc.source.bibliographicCitationM. Sharifzadeh, A. Sikinioti-Lock, and N. Shah, “Machine-learning methods for integrated renewable power generation: A comparative study of artificial neural networks, support vector regression, and Gaussian Process Regression”. Renewable and Sustainable Energy Reviews, vol. 108, pp. 513–538, Jul. 2019
dc.source.bibliographicCitationM. Ouanani, A. Tutor, I. María, G. Leon, and R. A. Mur, “Trabajo de fin de grado predicción de energía eólica utilizando técnicas de aprendizaje automático.” Departamento de Informática. 2015
dc.source.bibliographicCitationM. Lei, L. Shiyan, J. Chuanwen, L. Hongling, and Z. Yan, “A review on the forecasting of wind speed and generated power,” Renewable and Sustainable Energy Reviews, vol. 13, no. 4. pp. 915–920, May 2009
dc.source.bibliographicCitationC. Batlle López, P. Rodilla, y P. Mastropietro, Definición de las características de funcionamiento del despacho vinculante, los mercados intradiarios y el mecanismo de balance. Versión final. Entregable del proyecto “Estudio para la modernización del despacho y el mercado spot de energía eléctrica – despacho vinculante y mercados intradiarios”, Instituto de Investigación Tecnológica, Univ. Pontificia Comillas, para la CREG, Contrato 2018-041, oct. 2018
dc.source.bibliographicCitationThe MathWorks Inc., “Definición de modelos de regresión: Árbol de decisión, Regresión gaussiana y Redes neuronales,” Centro de ayuda MATLAB, 2022. [En línea]. Disponible en: https://www.mathworks.com/help/stats/regression-models.html. Consultado: 30 de septiembre 2025
dc.source.bibliographicCitationJ.M. Torres, R.M. Aguilar, J.A. Méndez, K.V. Zuñiga-Meneses. “Deep learning en la predicción de generación de un parque eólico” Actas de las XXXVII Jornadas de Automática 2016
dc.source.bibliographicCitationSingh, M., & Kim, S. “Short-term wind power forecasting using LSTM recurrent neural network”. Energies, 2019
dc.source.bibliographicCitationPeng Lu, Lin Ye, Ming Pei, Yongning Zhao, Binhua Dai, Zhuo Li. “Short-term wind power forecasting based on meteorological feature extraction and optimization strategy”. Renewable Energy, Volume 184, January 2022, Pages 642-661
dc.source.bibliographicCitationJ. Qin, J. Yang, Y. Chen, Q. Ye, and H. Li, “Two-stage short-term wind power forecasting algorithm using different feature-learning models,” Fundamental Research, vol. 1, no. 4, pp. 472–481, Jul. 2021
dc.source.bibliographicCitationWei Gu, Rui Wang, Rong Sun, Qun Li. “Wind Power Penetration Limit Calculation Based on Stochastic Optimal Power Flow” International Review of Electrical Engineering (IREE). July 2011.
dc.source.bibliographicCitationHan Xiaoqing, Yan Yong. “Wind power penetration limit calculation based on power system reliability”. 2009 International Conference on Sustainable Power Generation and Supply
dc.source.bibliographicCitationZahraa, T., Mahmound, Y., Ahmed, M. E-Sayed M., Abdelhamed, I., Abdelaziz, A., Mohamed, A. “Wind Power Prediction Based on Machine Learning and Deep Learning Models”. CMC, 2023, Vol. 74, no.1,715-732.
dc.source.bibliographicCitationThe MathWorks Inc., “Regression model performance metrics (RMSE, R², MSE, MAE)”, MATLAB Help Center, 2022. [En línea]. Disponible en: https://www.mathworks.com/help/stats/regression-model-performance-metrics.html. Consultado: 15 de octubre 2025
dc.source.bibliographicCitation“Areva M5000-116 – Manufacturers and Turbines” The Wind Power. [En línea]. Disponible: https://www.thewindpower.net/turbine_en_326_areva_m5000-116.php. Consultado: 30 de octubre 2025
dc.source.bibliographicCitationGlobal Wind Atlas. (2025, Version 4.0). Technical University of Denmark (DTU) & World Bank Group. Disponible: https://globalwindatlas.info/en/. Consultado: 30 de octubre 2025
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectEnergía eólica
dc.subjectAprendizaje automático
dc.subjectModelos predictivos
dc.subjectPredicción de energía eólica
dc.subject.keywordWind energy
dc.subject.keywordMachine Learning
dc.subject.keywordPredictive models
dc.subject.keywordWind energy forecasting
dc.titleUso de modelos de aprendizaje automático para la predicción de energía eólica y su uso potencial en el mercado de corto plazo en colombia
dc.title.TranslatedTitleUse of Machine Learning Models for Wind Energy Forecasting and Their Potential Use in the Short-Term Market in Colombia
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestría
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Uso_de_modelos_de_aprendizaje_automatico_Hernandez_Tocora_Luis_Carlos .pdf
Tamaño:
3.2 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Energías Renovables