Download estimación de la velocidad del viento mediante redes neuronales

XI CONGRESO INTERNACIONAL DE INGENIERIA DE PROYECTOS
LUGO, 26-28 Septiembre, 2007
ESTIMACIÓN DE LA VELOCIDAD DEL VIENTO MEDIANTE REDES
NEURONALES
P. López Álvarez(p), R.Velo Sabín, F. Maseda Eimil
Abstract
The renewable energy sources are fundamental for a better energy planning, to diminish the
environmental impacts as well as for the decrease of the emissions of gases of effect
greenhouse and they also have a high socioeconomic incidence. Inside this mark, the
renewable energy that has reached a wide development in the last years is the wind energy,
as consequence of a better knowledge of the wind resource and of the advance of the
technology with the rising reduction of costs.
In the last years the simulation technique by means of neural networks, starting from the
analogy with the biological neurons, it is extending their use in all the environments and in
the field of the wind energy they are used fundamentally in the practice to predict productions
or short term speeds, well from the point of view of the maintenance of the wind turbines,
well to know the forecasts to few days of face to the planning of the net, numerous
bibliographical references that embrace this type of predictions existing.
In the present work there are analyzed the last bibliographical references that realize
estimations of the wind speed by means of neural networks and it concludes that this
methodology simple to help and that offers rapid results produces some very reliable
simulations.
Keywords: neural network, wind speed
Resumen
Las fuentes de energía renovables son fundamentales para una mejor planificación
energética, para disminuir los impactos ambientales así como para la disminución de las
emisiones de gases de efecto invernadero y además cuentan con una alta incidencia
socioeconómica. Dentro de este marco, la energía renovable que ha alcanzado un amplio
desarrollo en los últimos años es la energía eólica, como consecuencia de un mejor
conocimiento del recurso eólico y del avance de la tecnología con la consiguiente reducción
de costes.
En los últimos años la técnica de simulación mediante redes neuronales, a partir de la
analogía con las neuronas biológicas, está extendiendo su uso en todos los ámbitos y en el
campo de la energía eólica se emplean fundamentalmente en la práctica para predecir
producciones o velocidades a corto plazo, bien desde el punto de vista del mantenimiento de
los aerogeneradores, bien para conocer las previsiones a pocos días de cara a la
planificación de la red, existiendo numerosas referencias bibliográficas que abarcan este tipo
de predicciones.
1083
En esta comunicación se analizan también las últimas aportaciones que realizan
estimaciones de la velocidad del viento mediante redes neuronales y se concluye que esta
metodología sencilla de implementar y que ofrece rápidos resultados produce unas
simulaciones muy fiables.
Palabras clave: redes neuronales , velocidad del viento
1. Introducción
1.1. Las redes neuronales
Las redes neuronales artificiales (RNAs) se basan en las redes neuronales biológicas
imitando la estructura del sistema nervioso (Martín del Brío y Sanz Molina. 2001) ya que:
•
Paralelismo de cálculo: Las neuronas biológicas trabajan simultáneamente, no
secuencialmente.
•
Memoria distribuida: la información en nuestro cerebro no se encuentra en una
posición determinada, sino que se encuentra distribuida e incluso muchas veces es
redundante, lo que hace que sea tolerante a fallos.
•
Adaptabilidad al entorno; las neuronas biológicas son capaces de adaptarse al
entorno aprendiendo de la experiencia, al igual que una red neuronal artificial
generaliza a partir de ejemplos
En general la respuesta de las neuronas biológicas es de tipo no lineal, lo cual es emulado
en las RNAs y constituye una de sus principales características.
La neurona artificial es un dispositivo simple de cálculo, que a partir del exterior o de otras
neuronas, proporciona una salida. Su poder de cálculo reside en su estructura paralela y su
habilidad para aprender y generalizar, es decir, varias neuronas trabajan simultáneamente y
son capaces de proporcionar las salidas adecuadas ante entradas no vistas con
anterioridad.
La neurona es la base del modelo y tiene tres componentes básicos:
•
Sinapsis o conexión es el lugar de unión de cada una de las señales de entrada con
la neurona, estando caracterizada por un peso.
•
Un sumatorio que realiza la suma ponderada de sus entradas o inputs.
•
Una función de activación es la función que se aplica a la suma ponderada, que
limita la amplitud de la salida o output, es decir, convierte la entrada en un nivel de
activación para la neurona. Su esquema se recoge en la figura 1.
1084
INPUT o
ENTRADA
x1
x2
x3
xn
PESO
OUTPUT o
SALIDA
wk1
wk2
wk3
wkn
n
∑ x j • Wkj
Función de
activación
j=1
yK
Figura 1. Modelo de neurona artificial
Además puede incluir otro componente denominado bias o polarización que incrementa o
disminuye el input neto para la función de activación dependiendo de si es positivo o
negativo respectivamente.
Son unos pesos extras añadidos a las neuronas de las capas intermedias y de salida que
proporciona un nivel de activación independiente de las entradas y de los vectores de
entrenamiento, permitiendo el desplazamiento respecto al origen.
Las funciones de activación pueden ser de varios tipos: identidad, escalón, lineal a tramos y
la más común que es la sigmoidal o función logística que presenta la ventaja de ser
derivable. Otras funciones utilizadas en determinadas redes son la Gaussiana que se usa
cuando la regla de propagación incluye el cálculo de distancias y la sinusoidal cuando se
requiere expresar explícitamente una periodicidad temporal.
Un sistema neuronal o red neuronal está constituido por un conjunto de neuronas artificiales
con una arquitectura, una dinámica de activaciones y de aprendizaje, operando en un
entorno.
Durante el aprendizaje se adquiere el conocimiento del ambiente modificándose los pesos
para conseguir el objetivo y una vez alcanzado, estos pesos permanecen invariables
almacenando el conocimiento adquirido.
1.2. Arquitectura de una red neuronal
La arquitectura de la red neuronal es el interconexiado entre las distintas neuronas. Estas se
agrupan en capas, cada una de ellas con un conjunto de neuronas de número variable y
comportamiento similar.
Cada capa está conectada a la inmediata posterior total o parcialmente, excepto la última
capa que constituye la salida de la red. Se distinguen tres tipos de capas:
•
Capa de entrada: El número y tipo de neuronas de esta capa depende de los datos
del problema que se esté abordando. Esta capa recibe los datos o señales
procedentes del entorno, recibe los vectores de entrada y los redistribuye a las
neuronas de la capa intermedia sin realizar ningún tipo de procesamiento sobre los
datos, es sólo una receptora de información.
•
Capas intermedias u ocultas: Pueden ser más de una dependiendo del problema,
estas capas no tienen conexión directa con el entorno y mediante el tratamiento
adecuado de estas capas se consigue la extracción de características, adaptabilidad,
generalización…, es decir, esta capa proporciona a la red grados de libertad
1085
adicionales que le permitirán encontrar representaciones internas de determinados
rasgos del entorno. Transforma los vectores de entrada en vectores intermedios, que
caracterizan los patrones de entrenamiento.
•
Capa de salida: El número de neuronas de esta capa depende de las salida de la
red, es decir, sus neuronas proporcionan la respuesta de la red neuronal a partir de
un estímulo de la capa intermedia.
Así de acuerdo a su estructura en capas se tendrían:
•
Redes monocapa constituidas por una única capa de neuronas
•
Redes multicapa.
Las redes multicapa tienen la habilidad de caracterizar los patrones de entrenamiento
generando su propio modelo de representación. Este tipo de redes multicapa sólo necesita
una única capa intermedia para modelar una proyección no lineal entre los espacios de
entrada y de salida, pues el aumento del número de neuronas en la red conlleva un aumento
en la variación. Una red con una única capa intermedia tiene menos variación y proporciona
mayor capacidad de generalización según Haykin, S. (1.999).
De acuerdo al flujo de datos entre las distintas capas se puede distinguir:
•
Redes unidireccionales, en las cuáles la información circula en un sólo sentido,
desde la capa de entrada a la de salida
•
Redes recurrentes o realimentadas, en las que la información puede circular entre
capas en cualquier sentido, incluido el de salida a entrada.
En la figura 2 se muestra la arquitectura típica de una red neuronal unidireccional de tres
capas: entrada, oculta y salida:
ENTRADA
OCULTA
SALIDA
información
Figura 2: Arquitectura de una red neuronal
1.3. Entrenamiento, aprendizaje y ejecución
Las RNA son capaces de realizar un cálculo a partir de un conjunto de patrones de
entrenamiento o ejemplos, siendo esta capacidad de aprendizaje una de sus principales
características, que permite que la red modifique su propia estructura, es decir, que cambie
sus pesos, adaptándolos hasta conseguir la respuesta deseada.
1086
El entrenamiento es el procedimiento mediante el cual la red aprende y el aprendizaje es el
resultado final de este proceso. El aprendizaje se realiza a partir de todo el conjunto más
que por la aportación individual de cada elemento.
Para que la RNA resulte operativa es necesario entrenarla, es decir, modificar los pesos,
que inicialmente son aleatorios, siguiendo una cierta regla de aprendizaje, a partir
normalmente de la optimización de la función error, que mide la eficacia de la operación de
la red.
El proceso de entrenamiento es normalmente iterativo, actualizándose los pesos una y otra
vez hasta que se alcanza el objetivo deseado. Una vez que la red ha sido entrenada se pasa
al modo de ejecución o recuerdo, que consiste en mantener fijos los pesos de la red y
procesar datos, es decir, la red es capaz de responder ante entradas no vistas con
anterioridad.
El aprendizaje en las redes neuronales se basa en la ley que Donald Hebb introdujo en 1949
sin formulación matemática: si habitualmente la activación de la neurona i tiene lugar cuando
la neurona j, cuya salida es una entrada de i, está activada, en posteriores ocasiones, la
activación de la neurona j facilitará la activación de la neurona i.
Se pueden distinguir los siguientes tipos de aprendizaje (Martín del Brío y Sanz Molina.
2001):
•
Aprendizaje supervisado: La red aprende a partir de ejemplos de entrenamiento,
es decir, la red es entrenada a partir de la entrada y la salida aprendiendo la relación
entre ellos sin necesidad de disponer de una forma funcional de partida, ajustando
los pesos a partir de la información del error que se comete en cada paso.
•
Aprendizaje no supervisado: El conjunto de entrenamiento está constituido sólo
por la entrada, sin la salida esperada para estos elementos. El aprendizaje se realiza
a través de la asociación de la información recibida con la almacenada y como
consecuencia reconociendo regularidades en el conjunto de datos, es decir, la red es
capaz de extraer las características, estableciendo una clasificación o categorización.
•
Aprendizaje híbrido: Es una mezcla de los anteriores tomando la regla de
aprendizaje supervisado para casos maestros, conocidos y generales. Normalmente
el aprendizaje supervisado y no supervisado tienen lugar en capas distintas
•
Aprendizaje reforzado: está a medio camino entre el supervisado y no supervisado,
la información del error es sólo global (bien, mal) y no se suministra la salida
deseada.
Es importante distinguir entre los niveles de error alcanzados al final de las distintas fases:
•
Fase de entrenamiento: es el error de los patrones de entrenamiento,
•
Fase de ejecución: es el error cometido por los patrones no vistos con anterioridad,
lo cual mide su capacidad de generalización.
Es mejor una buena generalización que un error pequeño en la fase de entrenamiento pues
esto indica que la red no está sobreajustando (Fausset, 1994; Haykin, 1999).
1.4. Clasificación de los modelos neuronales
Una clasificación de los modelos neuronales más utilizados de acuerdo al tipo de
aprendizaje (supervisado, no supervisado e híbrido) y la arquitectura de la red
(unidireccional y recurrentes) se recoge en la Tabla 1.
1087
UNIDIRECCIONALES
SUPERVISADO
Perceptrón
Rosenblatt
1958
Adaline
Widrow y Hoff
1960
Perceptrón Multicapa
Backpropagation
Rumelhart, Hinton y
Willians
1986
Correlación en cascada
Fahlman y Lebiere
1990
Máquina de Bolzman
Ackley, Hinton y
Sejnowski
1985
Kohonen
1988
Specht
1991
Pineda
1989
Brain State in a Box
Anderson, Silverstein,
Ritz y Jones
1977
Jordan
Jordan
1986
Principal Component
Analysis
Fukushima, Miyake e
Ito; Fukushima
Oja;
Hertz
Mapa autoorganizado
Kohonen
1983;
1988
1982;
1991
1982;
1995
Red de Hopfield
Holfield
1982
Resonancia Adaptativa
(ART)
Carpenter, Grossberg
y Rosen
1987;
1990;
1991
Bidirectional
Associative Memory
Kosko
1992
Radial Basis Funtion
Broomhead y Love;
Mooddy y Darken
1988;
1989
Contrapropagación
Hetcht-Nielsen
1990
Learning Vector
Quantization
General Regresión
Neural Network
Recurrent
backpropagation
RECURRENTES
NO SUPERVISADO
Neocognitrón
UNIDIRECCIONA
LES
RECURRENTES
HIBRIDO
Tabla 1. Clasificación de las redes neuronales
1.5. Modelos supervisados unidireccionales
Es el grupo más numeroso y el perceptrón multicapa (MLP) con aprendizaje de
retropropagación (BP) es el más importante por su interés histórico, generalidad y por ser el
modelo más empleado en las aplicaciones prácticas.
El perceptrón multicapa (MLP), está constituido por una capa de neuronas de entrada, una o
más capas de neuronas ocultas y una capa de neuronas de salida. La información se
propaga en la red hacia delante, es decir, hacia la salida y constituye una generalización del
perceptrón simple.
Los MLP se emplean para resolver problemas diversos entrenados de forma supervisada
realizándose el aprendizaje con el algoritmo de retropropagación de error (BackPropagation
o BP), el cual está basado en la regla de aprendizaje por corrección de error.
1088
El algoritmo de retropropagación básicamente consiste en dos etapas a través de las
diferentes capas de la red:
•
Paso hacia delante: el vector input se aplica a las sinapsis de la red y su efecto se
propaga capa a capa, produciendo un output como respuesta actual a la red. En esta
etapa los pesos de la red son todos fijos
•
Paso hacia atrás: los pesos sinápticos son ajustados de acuerdo a la corrección de
errores, la respuesta de la red es sustraída de la respuesta deseada para producir la
señal error. Esta señal es propagada hacia atrás a través de la red y los pesos son
ajustados para hacer que la respuesta de la red se acerque a la deseada.
El MLP tiene tres características distintivas:
•
El modelo de cada neurona en la red incluye una función de activación no lineal,
diferenciable, a diferencia de la usada en el perceptrón
•
La red tiene una o más capas ocultas que no forman parte del input ni del output que
son capaces de extraer las características del problema.
•
La red tiene alto grado de conectividad, determinada por las sinapsis. Un cambio en
la conectividad requiere un cambio en los pesos.
En la combinación de estas tres características junto con la habilidad de aprender de
ejemplos a través del entrenamiento, reside su potencia de cálculo.
2. Resultados
La predicción a corto plazo del viento ha sido abordada por un elevado número de
referencias, ya que es un aspecto muy importante en los parques eólicos, tanto para
mantenimiento como para previsiones de energía a ceder a la red eléctrica general.
Normalmente usan como inputs los valores anteriores de velocidad de viento de la estación
de medida para obtener el valor o valores siguientes en la misma estación.
Flores et al. (2005) realizan la simulación de la velocidad del viento en la siguiente hora a
partir de la velocidad de viento de las tres horas anteriores. La predicción se realiza con el
fin de ayudar a la toma de decisiones en el mercado eléctrico, a partir de la velocidad
predicha se calculan las potencias activas y reactivas que puede ser cedidas a la red. Usa
una red neuronal de retropropagación. Se concluye el buen comportamiento de la red y por
lo tanto es un método adecuado para predicción a corto plazo.
Li et al. (2004) describen el funcionamiento de un sistema de control para la obtención de un
coeficiente de potencia optimizado, mediante la simulación de velocidad sin necesidad de
anemómetros a partir de la potencia mediante redes neuronales.
Wang et al. (2004) a partir de 3 datos de viento de la última hora de 90 días y la tendencia
en las últimas 8 horas, predicen la velocidad del viento en un horizonte de hasta 12 horas,
mediante una red neuronal supervisada y concluye que los resultados son buenos a corto
plazo y que a largo plazo debería de incluirse información meteorológica y geográfica.
Kélouwani et al. (2004) mediante la velocidad del viento, desviación estándar y los últimos
datos de potencia, predicen la potencia de una turbina con errores del 1% para ser usados
en estrategias de control.
1089
More et al. (2002) realizan la simulación de la velocidad del viento diaria, semanal y mensual
a partir de la velocidad de viento de los dos valores anteriores. Usan como algoritmo de
entrenamiento BP con tres capas ocultas, correlación en cascada (CC), una red recurrente
y la serie temporal ARIMA. Compara los cuatro métodos dando los mejores resultados BP y
CC y los peores el modelo ARIMA.
Hayashi et al. (2001) tomando como inputs la presión atmosférica, temperatura, humedad y
hora del día predicen la velocidad del viento en las siguientes 24 horas para determinar el
output de energía del aerogenerador. Usa una red de repropagación con momento. Se
concluye el buen comportamiento de la red con una precisión de un mínimo del 90%.
Stetsos (2000) predice la media horaria de velocidad del viento a partir de los últimos 6
valores y compara varios métodos, como ARIMA, BP, LM, Radial Basis Function (RBF),
obteniendo los mejores resultados con Levemberg-Marquard (LM) y neural logic network,
que es una modificación de LM con reglas lógicas.
De forma semejante, Stetsos (2002) predice la media horaria de velocidad del viento a partir
de la media de las dos horas anteriores o a partir de los últimos 6 datos diezminutales y
entrenando la red con el algoritmo de Levemberg-Marquard. Los resultados obtenidos son
mejores que los proporcionados por ARIMA.
Alexiadis et al. (1999) desarrolla una red neuronal para predecir a corto plazo la velocidad
del viento y la potencia a partir de ubicaciones cercanas de hasta 40 km en la dirección del
viento dominante con promedios de errores entre un 20 y 40% mejores que los modelos
persistentes con los que fueron comparados.
Li (1999) a partir de datos de estaciones cercanas de velocidad de viento y dirección
introducida con una función de compresión es capaz de predecir la potencia de los
aerogeneradores de un parque eólico en funcionamiento.
También existen referencias que tratan de predecir mediante redes neuronales el
comportamiento del viento a medio plazo, como una estimación de recurso eólico, basados
fundamentalmente en los datos de otras ubicaciones cercanas.
Bechrakis et al. (2004) predicen la velocidad del viento mediante redes neuronales de
retropropagación con el algoritmo de Levenberg-Marquard, con una capa oculta con 15
neuronas. Usa la correlación con estaciones cercanas (hasta 35 km), las estaciones están
ubicadas en terreno complejo y establece un “time lag” para preparar los datos para simular.
Analiza dos regiones una con datos diezminutales (3 estaciones) medidos en verano y otra
con datos horarios (2 estaciones) de todo un año. Realiza distintas simulaciones variando el
orden de las estaciones, es decir, usando una estación bien como input bien como output, y
concluye que la estación que debe ser utilizada como input es la que mas información
contenga examinando su espectro de energía, con un coeficiente de correlación superior a
0,6.
Otra referencia de los mismos autores, Bechrakis et al (2004), realizan un planteamiento
semejante a partir de estaciones ubicadas hasta 47 km entre si y analiza además las
opciones de usar un mes o dos de datos en la simulación de un total de 14 meses de datos
diezminutales disponibles, realizando el test para validar la simulación durante 1 año.
Obtiene errores de hasta un 7% en la estimación de la velocidad. Para el cálculo de la
energía utiliza el método de los momentos para obtener la k del emplazamiento, aunque
dicho método no ofrece buenos resultados. También se observó que los resultados menos
adecuados se obtienen cuando en las estaciones tienen direcciones muy dispares. Los
resultados obtenidos tanto en la velocidad como en la energía son mejores que los
proporcionados por WAsP.
1090
Kalogirou et al. (1999), predicen la media mensual de velocidad del viento en Chipre en un
terreno llano entrenando una red neuronal con 11 años de datos. Trata de obtener dicha
velocidad a partir de los datos mensuales de 2 estaciones muy cercanas a la estación
objetivo. Se establece una red neuronal con 11 inputs que son las coordenadas x e y de las
tres estaciones, velocidades a dos alturas de las dos estaciones input y el mes del año que
se trata de simular. Examina la importancia de los inputs utilizados y llega a la conclusión de
que las coordenadas no son un input relevante, por lo que propone otra red con 5 inputs,
cuya aplicación sería para completar datos de una estación. Usa una red de
retropropagación con momento con neuronas en la capa oculta en dos niveles con distintas
funciones de activación. Llega a la conclusión de que comete errores muy bajos en la
estimación y que este método es válido tanto para una zona incluida dentro de la delimitada
por las tres estaciones como para una exterior.
Otras referencias, indicadas a continuación, tratan de establecer un método para completar
las series temporales de datos, como aplicación para ubicaciones con frecuentes avería en
los equipos de medida
Castellani et al. (2003) usa una red neuronal para correlacionar datos diezminutales de
viento en áreas de topografía compleja a partir de ubicaciones en terreno donde la estación
input y objetivo tiene semejantes características eólicas y a una distancia de 11 km.
Siripitayananon et al. (2002), a partir de los datos de tres estaciones y la hora del día obtiene
la velocidad en otra estación, usando retropropagación con “time-lag” y lo compara con un
método habitual para rellenar datos perdidos como es el vecino más cercano. Concluye que
da mejores resultados la red neuronal, y que podría en futuras investigaciones incluir
dirección, radiación solar o temperatura.
Otras referencias abordan otros aspectos relacionados con el análisis del viento como son
las siguientes: Cam et al. (2005) basándose en los registros de los últimos 50 años del
servicio de meteorología de Turquía, analiza los cambios en la velocidad y la energía como
consecuencia de la interpolación en altura en distintos niveles de rugosidad, es decir,
examina como varía el exponente de cortadura en función de la rugosidad. Establece 7
redes neuronales entrenadas con el algoritmo de retropropagación, una para cada región de
Turquía, dando como input a la red neuronal la latitud, longitud, altitud y altura para cuatro
niveles de rugosidad y como salidas la velocidad y energía del viento. Obtiene buenos
resultados en 6 de las 7 regiones y concluye que la red neuronal propuesta facilita la
selección de la altura del aerogenerador en Turquía.
Oztopal (2005) compara el comportamiento del semivariograma trigonométrico de punto
acumulado con estimaciones a partir de redes neuronales de retropropagación. Estima la
dependencia regional usando registros diarios de velocidad del viento de 10 estaciones
durante 5 años y concluye que se obtienen los mejores con ANN.
3. Conclusiones
Las redes neuronales son una herramienta muy adecuada para estimar la velocidad del
viento, tanto para predecir la velocidad del viento en el futuro en un lugar donde existen
observaciones, como en aquellas ubicaciones donde se disponen de datos en un periodo
muy corto de tiempo. De este modo pueden utilizarse para estimar la energía eléctrica que
van a generar los aerogeneradores instalados en un lugar como poder estimar la idoneidad
de la colocación de un parque eólico.
1091
4. Referencias
Alexiadis, M.C.; Dokopoulos, P.S.; Sahsamanoglou, H.S. (1999), “Wind speed and power
forecasting bases on spatial correlation models”. IEEE Transactions on Energy Conversión
Vol.14(3), pp.836-842.
Bechrakis, D.A. and Sparis, P.D. (2004), “Correlation of wind speed between neighboring
measuring stations”. IEEE Transactions on Energy Conversion, Vol. 19(29), pp.400-406.
Cam, E.; Arcaklioglu, E.; Cavusoglu, A.; Akbiyok, B. (2005), “A Classification mechanism for
determining average wind speed and power in several regions of Turkey using artificial
neural networks”. Renewable Energy,Vol. 30, pp. 227-239.
Castellani, F.; Faina, N.; Maleaba, M.; Franceschini, G. (2003), “A neural network based
method for estimating wind speed and direction in mountainous areas”. European Wind
Energy EWEA
Fausett, L. (1994), “Fundamentals of neural networks. Architectures, algorithms, and
applications”, Pretince Hall, New Jersey.
Flores, P.; Tapia, A.; Tapia, G. (2005), “Application of a control algorithm for wind speed
prediction and active power generation”, Renewable Energy vol, 30, 523-536
Hayashi, M. and Kermanshahi, B. (2001), “Application of artificial neural network for wind
speed prediction and determination of wind power generation output”, ICEE2001. Xian
Kalogirou, S.A. (2000), “Applications of artificial neural-networks for energy systems”,
Applied Energy, Vol.67, pp. 17-35.
Kélouwani, S. and Agbossou, K. (2004), “Nonlinear model identification of wind turbina with a
neural network”, IEEE Transactions on Energy Conversion, Vol.19(3), pp. 607-612.
Li, H. Shi K.L. and Aclaren, P. (2004), “Neural network bases sensorless maximum wind
energy capture with compensated power coefficient”, IEEE 04, pp. 2600-2608.
Martín del Brío, B.; Sanz Molina, A. (2001), Redes neuronales y sistemas borrosos, (2ª
Edición). Ed. Ra-Ma. Madrid.
More, A. and Deo, M.C. (2003), “Forecasting wind with neural networks” Marine Structures,
Vol. 16, pp.35-49.
Oztopal A. (2005), “Artificial neural network approach to spatial estimation of wind velocity
data” Energy Conversion and Management.
Sfetsos, A. (2000), “A comparison of various forecasting techniques applied to mean hourly
wind speed time series”, Renewable Energy, Vol.21, pp. 23-35.
Sfetsos, A. (2002), “A novel approach for the forecasting of mean hourly wind speed time
series”, Renewable Energy, Vol. 27, pp. 163-174.
Wang, X.; Sideratos, G.; Hatziargyriou, N.; Tsoukalas, L.H. (2004), “Wind speed forecasting
for power system operacional planning”, 8th Internacional Conference on Probabilistic
Methods Applied to Power Systems, Iowa State University, September, pp.12-16.
Correspondencia
rvelo@lugo.usc.es Departamento de Ingeniería Agroforestal. E.P.S. Universidad de Santiago de
Compostela. 27002-Lugo.
1092