Wind power forecasting for the Villonaco wind farm using AI techniques
|
|
- José Luis Castro Cárdenas
- hace 6 años
- Vistas:
Transcripción
1 Wind power forecasting for the Villonaco wind farm using AI techniques A. Reyes 1, P. H. Ibargüengoytia 1, J. Diego Jijón 2, Tania Guerrero 2, Uriel García 1, and M. Borunda 3 1. Instituto Nacional de Electricidad y Energías Limpias -México (INEEL) 2. Instituto Nacional de Eficiencia Energética y Energías Renovables- Ecuador(INER) 3. Programa cátedras CONACYT-México
2 Contenido Introducción Características del parque eólico Villonaco Metodología Técnicas de IA utilizadas Redes neuronales Redes Bayesianas dinámicas Resultados experimentales Conclusiones y trabajo futuro Agrupamiento
3 Abstract In this paper, we present a methodology to build wind power forecasting models from data using a combination of artificial intelligence techniques such as artificial neural networks and dynamic Bayesian nets. A model recalibration function is applied to raw discrete models in order to gain an extra accuracy. The experiments ran for the unit 1 of the Villonaco wind farm in Ecuador demonstrated that the selection of the best predictor can be more useful than selecting a single high-efficiency approach.
4 Introducción El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre e intermitencia. Asimismo, las fuentes de información de este recurso como torres meteorológica y SCADAS pueden inducir ruido en la información o huecos en los registros de datos. Las técnicas convencionales para caracterizar el viento no son tan efectivas por lo que se propone utilizar la inteligencia artificial. En este trabajo se pretende demostrar el poder de la inteligencia artificial para resolver problemas complejos como la predicción de potencia en un parque usando como base los datos de producción del parque eólico Villonaco.
5 Parque Villonaco Construido en la provincia de Loja, en la Cordillera de los Andes al sur del Ecuador a 2720 metros sobre el nivel del mar. Escenario ideal para investigación por ser el primer parque eólico instalado a gran altura. Características: orografía compleja, alta rugosidad del terreno y alta densidad del aire (0.89 kg/m 3 ). Los emplazamientos eólicos son construidos en lugares llanos, con inclinaciones mínimas y con densidades del aire cercanas a los 1.22 kg/m 3 o sobre el nivel del mar.
6 Comportamiento del viento en Villonaco ( ) Aerogenerador 1
7 Metodología
8 Data pre-process Speed (m/s) Speed (m/s)
9 REDES BAYESIANAS Teoría de probabilidad Teoría de gráfos REDES BAYESIANAS
10 REDES BAYESIANAS DAG (gráfico acíclico dirigido) Nodos: representan variables (objetos) Arcos: representan dependencia condicional (causalidad) H P(H) P(E H) 1.Estructura de la red (cualitativo). 2.Probabilidades a priori y condicionales (cuantitativo). E P( H E) P( E H) P( H P( E) )
11 Red Bayesiana
12 Redes Bayesianas Dinámicas Redes Bayesianas (estáticas) modelan las relaciones probabilistas de un conjunto de n variables X={X 1, X 2,..,X n }. Dada cierta evidencia en algunas variables, se calcula la probabilidad posterior en las demás variables. El razonamiento se lleva a cabo en un instante de tiempo (foto del proceso) y en un lugar. 12
13 Sistemas dinámicos En sistemas dinámicos, las variables son ahora series de tiempo X t. X t ={X t 1, X t 2,..,X t n}. El espacio probabilista se forma por los valores que puede tomar cada variable X i en cada tiempo relevante t. La distribución de probabilidad se convierte en un espacio muy complejo. 13
14 Red Bayesiana dinámica a 5 hrs. 14
15 Data post-process
16 Redes neuronales Las RNA's propuestas por las ciencia de la computación y las neurociencias son resultado del estudio de las funciones y estructuras del cerebro. Modelos computacionales basados en estos antecedentes biológicos para resolver problemas complejos como: Reconocimiento de patrones Procesamiento rápido de la información Aprendizaje y adaptación
17 Redes neuronales de tipo biológico Una neurona consta de un cuerpo de la célula o soma que contiene el núcleo de la célula. Del núcleo derivan varias fibras llamadas dendritas y una fibra larga llamada axón. Dendrita: llevan señales de los nervios al cuerpo de la célula. Axón: lleva señales de salida de la neurona a las dendritas de otras neuronas. Sinapsis: uniones entre neuronas. Existen neuronas, cada una con conexiones a otras neuronas con pulsos eléctricos de milisegundos.
18 Nodo o unidad básica de una neurona Modelo matemático simple de una neurona. La activación de salida de la unidad es:, donde a es la activación de salida de la unidad j y es el peso en el enlace desde la unidad j a esta unidad.
19 Funciones de activación Existen diferentes funciones de activación g Función umbral (o escalón) Función rampa Función sigmoidal (o logística) Función gaussiana
20 Red neuronal multicapa RNA multicapa con una capa oculta y 10 entradas.
21 BP-Backpropagation Rumelhart, Hinton y Williams (1986) basandose en trabajos de (Werbos 74) y (Parker 82). Método para que la RNA aprendiera la asociación entre patrones de entrada y las clases correspondientes. Técnica de optimización diseñada para minimizar una función objetivo: M 1 2 e w dk yk ( w) 2 k 1
22 RESULTADOS EXPERIMENTALES Se realizó una serie de pruebas con datos horarios del aerogenerador No. 1 del parque villonaco. Se usaron datos históricos de velocidad de viento (m/s) y potencia (kw) registrados durante 2014 y Para las pruebas se usaron las herramientas: Weka, OpenMarkov y una herramienta propietaria para aprendizaje bayesiano.
23 RED DINÁMICA La Red Dinámica presentada fuer elaborada con datos del parque eólico Villonaco (Aerogenerador 1, año 2014)
24
25 Experimental results
26 PERCEPTRÓN MULTICAPA (1 CAPA OCULTA, 3 NODOS) ESTADISTICAS DE CLASIFICACIÓN
27 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )
28
29 Experimental results
30 CONCLUSIONES Se aplicó la metodología a datos del parque eólico Villonaco (A1) Se realizó un preprocesamiento para eliminación de outliers. Se obtuvo un modelo de predicción mediante redes bayesianas dinámicas (DBN) Se recalibró la salida del modelo Bayesiano (DBN*) Se aproximó una función de viento anual con una red neuronal (ANN). Se compararán resultados para los modelos construidos (DBN,DBN*,ANN).
31 CONCLUSIONES The experiments demonstrated that: i) a combination of predictors could be more useful than a single high-efficiency approach, and ii) that a recalibrated Bayesian model (DBN*) resulted to be more efficient than an Artificial Neural Network model (ANN).
32 Preguntas de investigación Es posible obtener perfiles de viento con fines de hacer modelos de predicción eficientes? Podremos caracterizar el comportamiento del viento en cierto periodo de tiempo?
33 Definición Clustering es el proceso de agrupar datos en clases o clusters de modo que los objetos de un cluster tengan alta similaridad entre ellos y baja con objetos del otros clusters. La medida de similaridad esta basada en los atributos que describen los objetos. Los grupos pueden ser: exclusivos, con traslapes, probabilísticos, jerarquicos. Aplicaciones: caracterizar clientes o empleados, formar taxonomías, clasificar documentos, etc.
34 Potencia MW Potencia MW Potencia MW Metodología Perfil de viento 1 Datos de perfil1 Hora Perfil de viento 2 Datos históricos de viento Algoritmos de agrupamiento Datos de perfil2 Herramientas de IA (ANN / DBN). Hora Datos de perfil n. Perfil de viento n Hora
35 Referencias [1] Pablo H. Ibargüengoytia, Alberto Reyes, Inés Romero León, David Pech, Uriel Garcia, Eduardo F. Morales, L. Enrique Sucar, Wind Power Forecasting Using Dynamic Bayesian Models, A. Gelbukh et al. (Eds.): MICAI 2014, Part II, LNAI 8857, pp Springer International Publishing Switzerland (2014) [2] Pablo H. Ibargüengoytia, Alberto Reyes, Uriel Garcia, Inés Romero León, David Pech, and Mónica Borunda, A Tool for Learning Dynamic Bayesian Networks for Forecasting, MICAI 2015, Part II, LNAI 9414, Springer International Publishing, Switzerland (2015) [3] C. Monteiro, R. Bessa, V. Miranda, A. Botterud, J. Wang and G. Conzelmann, Wind Power Forecasting: State-of-the-Art-2009, Argonne National Laboratory, Decision and Information Sciences Division, Porto, Portugal, 2009, ANL/DIS-10-1 [4] Pablo H. Ibargüengoytia, Alberto Reyes, Uriel Garcia, Inés Romero León, David Pech, Evaluating Probabilistic graphical models for forecasting, Intelligent Systems Applications in Power ISAP-2015, Porto, Portugal, Septiembre del 2015.
36 Referencias Ian H. Witten, Eibe Frank, Mark A. Hall; Data Mining: Practical Machine Learning Tools and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems) 3rd Edition; K-means tutorial Expectation maximization tutorial
37 Muchas gracias!!
Introducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Redes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
REDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Sistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Redes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
UNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
RD 436/2004 Predicción de Producción Energética en Parques Eólicos
RD 436/2004 Predicción de Producción Energética en Parques Eólicos Luis Muñoz, Garrad Hassan España APPA II Jornada Informativa Barcelona, Abril 2004 1045\BT\16\ 1 Quién es Garrad Hassan? Consultores líderes
Una aproximación a la regularización de redes cascada-correlación para la predicción de series de tiempo
F. Villa et al. / Investigação Operacional, 8 (008) 151-161 151 Una aproximación a la regularización de redes cascada-correlación para la predicción de series de tiempo Fernan A. Villa Juan D. Velásquez
Propuesta de Venta. Base de Datos Regional del Grupo de Trabajo de Planificación Indicativa Regional Secretaría Ejecutiva
Propuesta de Venta Base de Datos Regional del Grupo de Trabajo de Planificación Indicativa Regional 2012-2027 Modelo: Stochastic Dual Dynamic Programming Secretaría Ejecutiva Contenido Contenido... 2 Introducción...
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
License Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Carrera: Ingeniería en Sistemas Computacionales PRESENTACIÓN
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Inteligencia Artificial II Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: Horas teoría horas práctica créditos: 2-2-6 PRESENTACIÓN
código Java Solicitudes Reportes AJI resultados API
Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com
Tema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Aprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Guía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de
Capítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Análisis del comportamiento de un parque eólico en condiciones extremas Proyecto SENESCYT-INER senescyt
Análisis del comportamiento de un parque eólico en condiciones extremas Proyecto SENESCYT-INER 2013-2014 senescyt senescyt Objetivo General. Identificar aquellas variables o situaciones que afecten en
Métodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Objetivos Estudiar algunas de las metodologías de Inteligencia Artificial,
Weka como herramienta de data mining
Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data
Capítulo 1. 1 Introducción
Capítulo 1 1 Introducción La importancia que tiene el conocimiento de la radiación solar [1] en campos tan dispares como la meteorología, agronomía, hidrología, arquitectura bioclimática o ingeniería de
Introducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Series Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Inteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
ESTADISTICA. Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos:
ESTADISTICA Tradicionalmente la aplicación del término estadística se ha utilizado en tres ámbitos: a) Estadística como enumeración de datos. b) Estadística como descripción, es decir, a través de un análisis
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
de Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
código Java Solicitudes Reportes AJI resultados API
Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu
Objetivos. Temario. 1- Diferentes tipos de turbinas eólicas
Objetivos Presentar una amplia y accesible información sobre los diversos aspectos de la energía eólica y cómo este modo de generación de electricidad se está convirtiendo en una solución efectiva y limpia
Introducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico
Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico
Técnico Superior en Instalación y Mantenimiento de Sistemas de Energía Eólica
Técnico Superior en Instalación y Mantenimiento de Sistemas de Energía Eólica Titulación Oficial avalada por la Administración Pública Duración: 300 horas Precio: 0 * Técnico Superior en Instalación y
FACULTAD DE INGENIERÍA
FACULTAD DE INGENIERÍA II JORNADAS DE DATA MINING CONFERENCIA 7.- " CASO SNOOP CONSULTING-ORACLE Fernando Das Neves Gerente de I+D de Snoop Consulting-Oracle Data Mining Technologies IAE - Pilar, 7 y 8
1. Entender los principios de Business Intelligence y sus implicancias para la innovación en los negocios.
ENFIN748 Business Intelligence y Data Mining Financiero Profesor: PhD. David Díaz E-mail Profesor: ddiaz@unegocios.cl E-mail Tareas: BI-DM@unegocios.cl PRESENTACIÓN DEL CURSO El objetivo de éste curso
MEMORIA-RESUMEN DE TRABAJOS REALIZADOS
MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la
Introducción a la Inteligencia Artificial. Aplicaciones.
Introducción a la Inteligencia Artificial. Aplicaciones. Redes Probabilísticas Redes Neuronales Algoritmos Genéticos Dr. José Manuel Gutiérrez Dpto. de Matemática Aplicada y Ciencias de la Computación
Métodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
Course 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Tema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
ENERGÍAS ALTERNATIVAS. SOLAR Y EÓLICA
Objetivos del Curso: SOLAR TÉRMICA: - Estudiar los principios fundamentales de funcionamiento de un sistema de aprovechamiento de la energía solar térmica. - Determinar los elementos integrantes de una
ESCUELA SUPERIOR POLITECNICA DEL LITORAL
Sistemas de Toma de Decisiones UNIDAD ACADÉMICA: CARRERA: ESPECIALIZACIÓN: ÁREA: TIPO DE MATERIA: EJE DE FORMACIÓN: Facultad de Ingeniería en Electricidad y Computación Ingeniería en Ciencias Computacionales
Aux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
OPTATIVA I: MINERIA DE DATOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la
Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas. Facultad de Matemáticas. Cód. Asignatura. Cur. Tipo. Créd
Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas Facultad de Matemáticas Cód. Asignatura Cur Tipo Créd 1 / 68 51620001 Introducción al Trabajo Fin de Máster 1 A Opt. 9 D Departamento
CRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial
Grado en INFORMÁTICA 4º curso Modalidad: Presencial Sumario Datos básicos 3 Breve descripción de la asignatura 4 Requisitos previos 4 Objetivos 4 Competencias 5 Contenidos 6 Metodología 6 Criterios de
Sesión 4: Evaluación económica de las energías fotovoltaica y eólica para la planificación energética
Sesión 4: Evaluación económica de las energías fotovoltaica y eólica para la planificación energética Global Atlas de IRENA Técnicas de planificación espacial Curso de 2 días Cuestiones fundamentales que
Jornadas Técnicas de la AEE
Jornadas Técnicas de la AEE Nuevos métodos de montaje Federico González Vives. Director de Tecnología Vestas Mediterranean. fngvi@vestas.com WIND OIL AND GAS La visión de Vestas es que el viento se equipare
AEROGENERADORES DE MEDIA POTENCIA. Nuevos Vientos para la EólicaE GARBI
AEROGENERADORES DE MEDIA POTENCIA Nuevos Vientos para la EólicaE CAMPO DE ACTUACIÓN Eolincyl desarrolla un aerogenerador totalmente novedoso con las siguientes características principales: Potencia Media
Ciencia en su PC ISSN: 1027-2887 cpc@megacen.ciges.inf.cu. Centro de Información y Gestión Tecnológica de Santiago de Cuba. Cuba
Ciencia en su PC ISSN: 1027-2887 cpc@megacen.ciges.inf.cu Centro de Información y Gestión Tecnológica de Santiago de Cuba Cuba de la Fé-Dotres, Sergio; Domínguez-Fontanill, Jaime; Sierra-Rodríguez, José
EXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II.
EXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II. Ing. José Daniel Pérez Filoteo Oficina de Sistemas Térmicos e Hidráulicos LAPEM CONTENIDO INTRODUCCION OBJETIVO DE LAS PRUEBAS DE
LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN
LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN Blanca Maricela Ibarra Murrieta, Ricardo Blanco Vega y María Angélica García Fierro Departamento
Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas
Aprendizaje de redes bayesianas híbridas con mixturas de funciones base truncadas Doctoranda: Inmaculada Pérez-Bernabé Director: Antonio Salmerón Cerdán Departamento de Matemáticas, Universidad de Almería,
Sound Meteorological Environmental Correlation. Información técnica
Sound Meteorological Environmental Correlation Información técnica SOME-ECO SOME-ECO SOME-ECO (Sound Meteorological Environmental Correlation) es un proyecto de investigación pionero liderado por ICR,
Carrera Plan de Estudios Contacto
Carrera Plan de Estudios Contacto Si te interesan los avances tecnológicos que han tenido los celulares, el uso de drones en diferentes actividades, saber cómo funcionan los aparatos que utilizamos día
Generación de Energía Eléctrica mediante Aerogeneradores.
Generación de Energía Eléctrica mediante Aerogeneradores. Nombre: Samuel García Cervantes. Folio: AS15613765. Nombre de la institución: Universidad Abierta y a Distancia de México. Asignatura: Curso Propedéutico
Finanzas e Investigación de Mercados"
DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de
PRESENTACION PRODUCTOS Y SERVICIOS GEOTEK S.A.
PRESENTACION PRODUCTOS Y SERVICIOS GEOTEK S.A. Enero, 2016 1 PRESENTACIÓN EMPRESA En el 2007 nace GEOTEK S.A. dada la creciente necesidad de instalación de mástiles con instrumentación meteorológica para
PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso
PROGRAMA DE CURSO Código Nombre CC5206 Introducción a la Minería de Datos Nombre en Inglés Introduction to Data Mining SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
COMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION)
COMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION) Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve COMPUTACIÓN INTELIGENTE METODOLOGÍA COMPUTISTA
Héctor Tabares 1 *, Jesús Hernández 2. Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia. Apartado Aéreo 1226.
Rev. Fac. Ing. Univ. Antioquia N. N.º 46. Diciembre, pp. 110-118. 2008 Diciembre, 2008 Mapeo curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín,
1 10. Carga horaria. DEPARTAMENTO DE SISTEMAS DE INFORMACI~N Academia de Software Especializado PROGRAMA DE ESTUDIOS. asignatura 9. Tipo de Asignatura
DEPARTAMENTO DE SISTEMAS DE INFORMACI~N Academia de Software Especializado PROGRAMA DE ESTUDIOS asignatura 9. Tipo de Asignatura 1 10. Carga horaria Laboratorio Horas teoria 20 Horas practica 40 14. Perfil
GEOEN - Generación Eléctrica Eólica
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 820 - EUETIB - Escuela Universitaria de Ingeniería Técnica Industrial de Barcelona 709 - EE - Departamento de Ingeniería Eléctrica
Ing. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
UNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Inteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Cómo extraer información útil a partir de datos LiDAR? Geospatial Systems
Cómo extraer información útil a partir de datos LiDAR? Geospatial Systems Non-Export This information is not subject to the controls of the International Traffic in Arms Regulations (ITAR) or the Export
Cuando el lenguaje si importa
Cuando el lenguaje si importa de software financiero J. Daniel Garcia Grupo ARCOS Universidad Carlos III de Madrid 11 de mayo de 2016 cbed J. Daniel Garcia ARCOS@UC3M (josedaniel.garcia@uc3m.es) Twitter
Análisis de resultados de los modelos
Anexo 5 PONTIFICIA UNIVERSIDAD JAVERIANA Análisis de resultados de los modelos Alex Arias 2014-I 1. Introducción En el presente documento se muestran los patrones y tendencias obtenidas por los modelos
Análisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Robots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Autor: Manuel Martín Salvador Tutor: Juan Huete Guadix
Un sistema de recomendación para sitios de ocio de Andalucía Autor: Manuel Martín Salvador Tutor: Juan Huete Guadix Proyecto Fin de Carrera Ingeniería Informática Universidad de Granada Introducción: motivación
Clasificador Jerárquico de Imágenes utilizando Naive Bayes
Clasificador Jerárquico de Imágenes utilizando Naive Bayes Hernandez Torres Julio Noe, Marin Castro Maribel Angelica Instituto Nacional de Astrofísica Óptica y Electrónica {julio.hernandez.t, mmarinc}
Predicción de demanda eléctrica: Antecedentes, Actualidad y tendencias de futuro
Predicción de demanda eléctrica: Antecedentes, Actualidad y tendencias de futuro Alejandro Quintana Cándido Enrique Quintana Rodríguez Instituto Tecnológico de Santo Domingo (INTEC). Introducción. Las
Técnicas de análisis estadístico basado en inteligencia artificial
GUÍA DOCENTE: Técnicas de análisis estadístico basado en inteligencia artificial 1. Técnicas de análisis estadístico basado en inteligencia artificial 1.1. Datos de la asignatura Tipo de estudios Máster
Modelo para detectar y prevenir pérdidas no técnicas en sistemas de distribución eléctrica con base en técnicas de minería de datos y redes bayesianas
Boletín IIE, 2015 octubre-diciembre Modelo para detectar y prevenir pérdidas no técnicas en sistemas de distribución eléctrica con base en técnicas de minería de datos y redes bayesianas María Yasmín Hernández
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
ESTADISTICA DESCRIPTIVA Y PROBABILIDAD
ESTADISTICA DESCRIPTIVA Y PROBABILIDAD CODIGO 213543 (COMPUTACION) 223543 (SISTEMAS) 253443 (CONTADURIA) 263443( ADMINISTRACION) 273443 (GRH) HORAS TEORICAS HORAS PRACTICAS UNIDADES CREDITO SEMESTRE PRE
UNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN.
UNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN. Angel L. Labajo (1) y José L. Labajo (2) (1) Dpto. de Informática
felipe_tirado@hotmail.com
COMPRESIÓN DE IMÁGENES DIGITALES EN ESCALA DE GRISES UTILIZANDO REDES NEURONALES Felipe Tirado Marabolí UNIVERSIDAD CATOLICA DEL MAULE FACULTAD DE CIENCIA DE LA INGENIERIA felipe_tirado@hotmail.com RESUMEN
Lección 6 Redes Neuronales Artificiales Curso Básico
Lección 6 Redes Neuronales Artificiales Curso Básico Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6-10 diciembre 2010 Federico Morán Departamento de Bioqímica
Relatos de Viaje: Últimas tendencias en modelos predictivos y su aplicación en y fuera del salón de clases
Relatos de Viaje: Últimas tendencias en modelos predictivos y su aplicación en y fuera del salón de clases Marta Álvarez, Ph.D. Catedrática Instituto de Estadística y Sistemas Computadorizados de Información
Capítulo 1.- Redes Neuronales y Reconocimiento de Patrones.
Capítulo 1.- Redes Neuronales y Reconocimiento de Patrones. Autores: Dr. Luis Alonso Romero *. Dr. Teodoro Calonge Cano **. * Dpto. de Informática y Automática. Universidad de Salamanca- España ** Dpto
Portafolio de Algoritmos Evolutivos para Problemas de Regresión
Portafolio de Algoritmos Evolutivos para Problemas de Regresión Mario Graff División de Estudios de Posgrado Facultad de Ingeniería Eléctrica Universidad Michoacana de San Nicolás de Hidalgo Marzo 2013
MINERIA DE DATOS Y Descubrimiento del Conocimiento
MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de
LOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
PROBABILIDAD Y ESTADISTICA
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: PROBABILIDAD Y ESTADISTICA ÁREA DEL MATEMÁTICAS CLAVE: I2PE1 CONOCIMIENTO: ETAPA FORMATIVA:
Área Ordenación Académica
Área Ordenación Académica NeoPlan. Aplicación complementaria para nuevos planes Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas Facultad de Matemáticas Matemáticas Datos a 29-06-2015
Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012
Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces
Modelo Neuronal para la Estimación de la Radiación Global Horaria en la República Mexicana
Modelo Neuronal para la Estimación de la Radiación Global Horaria en la República Mexicana Nicolás C. KEMPER, Luis OCHOA, Ireri T. ROJAS Centro de Ciencias Aplicadas y Desarrollo Tecnológico, Universidad
REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid
REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS Miguel Ángel Sánchez Gómez Ingeniería de Telecomunicación Universidad Carlos III de Madrid 100035439@alumnos.uc3m.es ABSTRACT En el presente trabajo
IRXPE - Integración de Renovables en las Redes de Potencia
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 820 - EEBE - Escuela Universitaria de Ingeniería Técnica Industrial de Barcelona 709 - EE - Departamento de Ingeniería Eléctrica
Control de velocidad de un motor de CD con un controlador PID Wavenet
ELECTRÓNICA ReCIBE, Año 3 No.1, Enero 2014 Control de velocidad de un motor de CD con un controlador PID Wavenet Abraham Christian Pedroza Araujo Universidad Politécnica de Texcoco, Prolongación de Arteaga
Predicción de índices de futuros financieros mediante redes neuronales
Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de
Métodos basados en instancias. K-vecinos, variantes
Métodos basados en instancias K-vecinos, variantes Contenido 1. Caracterización 2. K-vecinos más próximos 3. Mejoras al algoritmo básico 4. Bibliografía 2 1. Caracterización Forma más sencilla de aprendizaje: