Please use this identifier to cite or link to this item: http://hdl.handle.net/10553/77452
DC FieldValueLanguage
dc.contributor.authorHernández, Carlosen_US
dc.contributor.authorMéndez Babey, Máximoen_US
dc.contributor.authorAguasca Colomo, Ricardoen_US
dc.contributor.authorGonzález Landín, Begoñaen_US
dc.date.accessioned2021-02-01T18:54:34Z-
dc.date.available2021-02-01T18:54:34Z-
dc.date.issued2020en_US
dc.identifier.urihttp://hdl.handle.net/10553/77452-
dc.description.abstractEn las Islas Canarias (España), región ultraperiférica de la Comunidad Europea, la explotación de las energías renovables, como viento, oleaje y sol, proporciona una mayor independencia energética. Para ello es necesario desarrollar modelos de predicción que optimicen el aprovechamiento de dichos recursos. Específicamente, con sistemas de energía undimotriz, la eficiencia de los mismos requiere del conocimiento futuro de las olas incidentes. Con este propósito, se propone en este trabajo la utilización de herramientas basadas en Deep Learning. Además, para la validación de la propuesta, se realiza una comparación de rendimientos entre modelos predictivos basados en redes neuronales recurrentes, concretamente una extensión de estas denominadas LSTM (Long Short Term Memory), y un modelo de predicción autorregresivo cuyos parámetros se calculan utilizando las ecuaciones de Yule-Walker. Se han utilizado dos series temporales de datos de oleaje con distintas características. Para evaluar la eficiencia de los modelos propuestos se ha utilizado el error cuadrático medio, obteniendo los mejores resultados con la red Vanilla LSTM.en_US
dc.languagespaen_US
dc.sourceInternational Conference of Production Research-Américas 2020 (ICPR-Américas 2020). Bahía Blanca, Argentina. 2020en_US
dc.subject120304 Inteligencia artificialen_US
dc.subject1206 Análisis numéricoen_US
dc.titleRedes neuronales LSTM aplicadas a la predicción de oleaje en tiempo real para generación de energía undimotriz en las Islas Canariasen_US
dc.typeinfo:eu-repo/semantics/conferenceobjecten_US
dc.typeConferenceObjecten_US
dc.relation.conferenceInternational Conference of Productions Research Americas 2020 (ICPR-Americas 2020)en_US
dc.investigacionIngeniería y Arquitecturaen_US
dc.investigacionCienciasen_US
dc.type2Actas de congresosen_US
dc.utils.revisionen_US
dc.date.coverdateDiciembre 2020en_US
dc.identifier.ulpgcen_US
dc.contributor.buulpgcBU-INFen_US
item.fulltextSin texto completo-
item.grantfulltextnone-
crisitem.author.deptGIR SIANI: Computación Evolutiva y Aplicaciones-
crisitem.author.deptIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.deptDepartamento de Informática y Sistemas-
crisitem.author.deptGIR SIANI: Computación Evolutiva y Aplicaciones-
crisitem.author.deptIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.deptDepartamento de Ingeniería Electrónica y Automática-
crisitem.author.deptGIR SIANI: Computación Evolutiva y Aplicaciones-
crisitem.author.deptIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.deptDepartamento de Matemáticas-
crisitem.author.orcid0000-0002-7133-7108-
crisitem.author.orcid0000-0003-2217-8005-
crisitem.author.orcid0000-0002-7915-0655-
crisitem.author.parentorgIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.parentorgIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.parentorgIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.author.fullNameMéndez Babey, Máximo-
crisitem.author.fullNameAguasca Colomo, Ricardo-
crisitem.author.fullNameGonzález Landín, Begoña-
crisitem.event.eventsstartdate10-12-2020-
crisitem.event.eventsenddate11-12-2020-
Appears in Collections:Actas de congresos
Show simple item record

Google ScholarTM

Check


Share



Export metadata



Items in accedaCRIS are protected by copyright, with all rights reserved, unless otherwise indicated.