Mostrar el registro sencillo del ítem

Controlador del ángulo de guiñada de un aerogenerador que utiliza redes neuronales artificiales implementadas en un sistema integrado

Wind turbine yaw angle controller using artificial neural networks implemented on embedded system

dc.contributorSalamanca Céspedes, Jorge Enrique
dc.creatorAlbadan Molano, David Esteban
dc.date2022-03-31T20:31:46Z
dc.date2022-03-31T20:31:46Z
dc.date2021-06-21
dc.date.accessioned2025-04-29T21:39:45Z
dc.date.available2025-04-29T21:39:45Z
dc.identifierhttp://hdl.handle.net/11349/28751
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/95523
dc.descriptionEn esta investigación, las redes neuronales artificiales (RNA) desarrolladas en python se comparan y luego se compilan en una Raspberry pi 4 para generar una señal predictiva de la dirección del viento como aerogenerador Sistema de control de entrada, para maximizar la captación de energía eólica. Se utiliza un conjunto de 12 variables medidas de la estación meteorológica para alimentar la red neuronal, incluido el tiempo, PM10, PM25 y ozono como variables secundarias que permitirán enriquecer la capacidad predictiva factores de la red neuronal, las variables NO, NO2, NOX, y SO2, como variables auxiliares que permitirán fortalecer la validación del comportamiento de la red y finalmente la variables Velocidad del viento, temperatura, humedad relativa y viento dirección como principales variables que aumentarán la predicción eficiencia y con ello, completar la dependencia parcial entre las variables se analiza para mejorar la RNA tiempo de convergencia en el sistema embebido, como trabajo futuro, se permitirá la prueba de un sistema de control incluyendo el control actuadores para optimizar la red
dc.descriptionIn this research, artificial neural networks (ANN) developed in python are compared and later compiled in a Raspberry pi 4 to generate a predictive wind direction signal as wind turbine control system input, to maximize the capture of wind power. A set of 12 weather station measured variables are used to feed the neural network, including time, PM10, PM25, and Ozone as secondary variables that will allow enriching the predictive factors of the neural network, the variables NO, NO2, NOX, and SO2, as auxiliary variables that will allow strengthening the validation of the behavior of the network and finally the variables Wind Speed, temperature, relative humidity and wind direction as main variables that will increase the prediction efficiency and with this, to complete partial dependence between the variables is analyzed to improve the ANN convergence time on the embedded system, as future work, it will allow the testing of a control system including control actuators to optimize the network
dc.formatpdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAbierto (Texto Completo)
dc.subjectTurbinas de viento
dc.subjectControlador de red neuronal artificial
dc.subjectÁngulo de guiñada
dc.subjectDirección del viento
dc.subjectIngeniería Electrónica - Tesis y disertaciones académicas
dc.subjectMolinos de viento
dc.subjectInteligencia artificial
dc.subjectSistemas embebidos
dc.subjectPython (Lenguaje de programación de computadores)
dc.subjectWind Turbines
dc.subjectArtificial Neural Betwork Controller
dc.subjectYaw Angle
dc.subjectWind Direction
dc.titleControlador del ángulo de guiñada de un aerogenerador que utiliza redes neuronales artificiales implementadas en un sistema integrado
dc.titleWind turbine yaw angle controller using artificial neural networks implemented on embedded system
dc.typeProducción Académica
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttp://purl.org/coar/resource_type/c_7a1f


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem