Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
|
|
- Raquel Toledo Ferreyra
- hace 6 años
- Vistas:
Transcripción
1 Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador
2 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 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 viento usando como base los datos de producción del parque eólico villonaco.
3 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? Cómo podemos determinar la relación entre variables relacionadas con los recursos renovables con fines de diagnostico? Cómo podemos predecir una variable dadas otras?
4 Metodología Predicción de viento Perfiles de viento Aproximación de comportamiento anual de viento Dependencia condicional entre variables y predicción probabilista CLUSTERING (WEKA) REDES NEURONALES (WEKA) REDES BAYESIANAS (OPENMARKOV)
5 CLUSTERING Clustering es el proceso de agrupar datos en clases o clusters de modo que los objetos de un cluster tengan alta similitud entre ellos y baja con objetos del otros clusters. La medida de similitud esta basada en los atributos que describen los objetos. Los grupos pueden ser: exclusivos, con traslapes, probabilísticos, jerárquicos. Aplicaciones: caracterizar clientes o empleados, formar taxonomías, clasificar documentos, etc.
6 REDES NEURONALES Inspiradas en las neuronas del cerebro se crean redes de neuronas interconectadas. La capa de entrada tendrá tantas neuronas como número de variables de entrada y la capa de salida tantas neuronas como variables de salida.
7 REDES BAYESIANAS Teoría de probabilidad Teoría de gráfos REDES BAYESIANAS
8 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) )
9 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.
10 RESULTADOS EXPERIMENTALES Perfiles de viento CLUSTERING EM (PROBABILISTICO) K-MEANS (DETERMINISTICO)
11 EM ESTADISTICAS DE AGRUPAMIENTO
12 ESTADISTICAS DE AGRUPAMIENTO (continuación)
13 ESTADISTICAS DE AGRUPAMIENTO (continuación)
14
15 K-MEANS ESTADISTICAS DE AGRUPAMIENTO
16 ESTADISTICAS DE AGRUPAMIENTO (continuación)
17
18 RESULTADOS EXPERIMENTALES Aproximación de comportamiento anual de viento REDES NEURONALES PERCEPTRÓN SIMPLE PERCEPTRON MULTICAPA 1 CAPA OCULTA 3 NODOS PERCEPTRON MULTICAPA 2 CAPAS OCULTAS 6 NODOS
19 Comportamiento del viento en Villonaco ( ) Aerogenerador 1
20 PERCEPTRÓN SIMPLE ESTADISTICAS DE CLASIFICACIÓN
21 ESTADISTICAS DE CLASIFICACIÓN (continuación)
22 PERCEPTRÓN MULTICAPA (1 CAPA OCULTA, 3 NODOS) ESTADISTICAS DE CLASIFICACIÓN
23 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )
24 ESTADISTICAS DE CLASIFICACIÓN (CONTINUACIÓN )
25
26 Dependencia condicional entre variables y predicción probabilista RED BAYESIANA ESTÁTICA RED BAYESIANA DINÁMICA
27 RED ESTÁTICA
28 RED DINÁMICA La Red Dinámica presentada fuer elaborada con datos del parque eólico Villonaco (Aerogenerador 1, año 2014)
29
30 RED DINÁMICA
31
32 CONCLUSIONES Se obtuvo para el perfil de viento en Villonaco con técnicas de clustering. Se aproximó una función de viento anual con una red neuronal. Se obtuvo un modelo de predicción mediante redes bayesianas dinámicas.
Wind power forecasting for the Villonaco wind farm using AI techniques
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
Más detallesTECNOLOGÍAS 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:
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 11 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 11 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Resolución manual de clasificación bayesiana
Más detallesCONCEPTOS 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
Más detallesREDES 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
Más detallesIntroducción 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
Más detallesANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS)
ANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS) AGRUPAMIENTOS Cuál agrupamiento es mejor? MÉTODOS DE AGRUPACIÓN Métodos jerárquicos: Los objetos se agrupan (dividen) i por partes hasta clasificar todos los
Más detallesRedes 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
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesAnálisis 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
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesMÉTODOS 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
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesSistemas 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
Más detallesInteligencia 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
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesLIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detalles240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Más detallesRD 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
Más detallesInteligencia Artificial II Razonamiento Bayesiano
Inteligencia Artificial II Razonamiento Bayesiano Dr. Alejandro Guerra-Hernández Universidad Veracruzana Centro de Investigación en Inteligencia Artificial mailto:aguerra@uv.mx http://www.uv.mx/personal/aguerra
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detallesAVeol. Seguimos con el viento a favor del país! LA NORMALIZACIÓN DE LA GENERACIÓN EÓLICA. Oswaldo Ravelo.
AVeol ASOCIACIÓN VENEZOLANA DE ENERGÍA EÓLICA LA NORMALIZACIÓN DE LA GENERACIÓN EÓLICA. Oswaldo Ravelo www.aveol.org.ve Seguimos con el viento a favor del país! IMPORTANCIA DE LA NORMALIZACIÓN EN EL COMERCIO
Más detallesBKS: Business Knowledge Series.
BKS: Business Knowledge Series. BigData analytics: Next Best Offer Content. 1 Presentado por: Gabriel Contreras. Detectando y descubriendo hábitos de consumo de contenidos y aplicaciones. Capítulo 1. Breve
Más detallesINFORME PARQUES EOLICOS EN EL ECUADOR OCTUBRE 2013
INFORME PARQUES EOLICOS EN EL ECUADOR OCTUBRE 2013 Contenido INFORME PARQUES EOLICOS EN EL ECUADOR...1 INFORME PARQUES EOLICOS EN EL ECUADOR...2 1. ANTECEDENTES...2 2. PARQUES EOLICOS EN OPERACIÓN...3
Más detallesCapítulo 1. Introducción Motivación Objetivos. 2 Objetivo general. 2 Objetivos específicos. 2
Tabla de contenido Capítulo 1. Introducción. 1 1.1. Motivación. 1 1.2. Objetivos. 2 Objetivo general. 2 Objetivos específicos. 2 1.3. Hipótesis. 2 1.4. Metodología. 3 1.5. Estructura de trabajo. 4 Capítulo
Más detallesObjetivos. 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
Más detallesSeries 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
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesNEWTON TREES. Árboles de Estimación Estocástica de Probabilidades:
Tesis de Máster en Ingeniería del Software, Métodos Formales y Sistemas de Información Árboles de Estimación Estocástica de Probabilidades: NEWTON TREES Autor: Fernando Martínez Plumed 1 Directores: Cèsar
Más detallesRazonamiento probabilístico y redes bayesianas
Razonamiento probabilístico y redes bayesianas Clasificador bayesiano Representación y semántica de las RB Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 12, 2012 Correcciones al ejercicio de clase
Más detallesEstado civil: {casado/a, soltero/a, divorciado/a}
Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene
Más detallesUNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERRECTORADO ACADEMICO COMISION CENTRAL DE CURRÌCULUM PROGRAMA ANALITICO
UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERRECTORADO ACADEMICO COMISION CENTRAL DE CURRÌCULUM PROGRAMA ANALITICO INVESTIGACIÓN DE OPERACIONES I CODIGO: 0135701T Elaborado por: María Luz Camargo,
Más detallesTécnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados Sancho Salcedo Sanz Grupo de Heurísticos Modernos de Optimización y Diseño de Redes () Departamento
Más detalles5. PLANIFICACIÓN DE LAS ENSEÑANZAS
5. PLANIFICACIÓN DE LAS ENSEÑANZAS 5.1. Descripción del Plan de Estudios I. Estructura del Plan de Estudios Módulo Materia Asignatura ECTS Carácter MÉTODOS NUMÉRICOS 6 OBLIGATORIA ECUACIONES FUNDAMENTOS
Más detallesEFECTOS DEL VIENTO DURANTE CONSTRUCCIÓN Y EN ELEMENTOS SECUNDARIOS DE ESTRUCTURAS PREFABRICADAS. Dr. Alberto López López
EFECTOS DEL VIENTO DURANTE CONSTRUCCIÓN Y EN ELEMENTOS SECUNDARIOS DE ESTRUCTURAS PREFABRICADAS Dr. Alberto López López OBJETIVO Presentar los criterios actuales para el diseño por viento de estructuras,
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesLíneas de Investigación y Temas de Tesis. L. Enrique Sucar Oficina 8208
Líneas de Investigación y Temas de Tesis L. Enrique Sucar esucar@inaoep.mx http://ccc.inaoep.mx/~esucar Oficina 8208 Contenido Presentación Líneas de investigación Proyectos actuales Temas de tesis Cursos
Más detallesLa verificación de rendimiento de los parques eólicos
La verificación de rendimiento de los parques eólicos Rafael Zubiaur Barlovento Recursos Naturales S.L., España brn@barlovento-recursos.com Hall 7, stand B18 Wind PowerExpo 2009 Sesión I.II. Diagnóstico
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Autores: -Daniel Pérez Vaquero. -Javier García Lloreda. Fecha: -17 de Diciembre de 2013. 1. Introducción Al Clustering. El clustering no es más que el agrupamiento
Más detallesTecnologías de Inteligencia Artificial
Tecnologías de Inteligencia Artificial En la actualidad se han desarrollado importantes tecnologías de inteligencia artificial basadas en conjuntos borrosos y redes neuronales artificiales, cuyas potencialidades
Más detallesExamen de Septiembre de TACCIII y TAI (Modelo 2)
Examen de Septiembre de TACCIII y TAI (Modelo 2) 12 de septiembre de 2008 1. La desordenación de la base de datos puede influir en el resultado obtenido mediante a) clasificación por distancia a las medias
Más detallesClasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales
Asociación de Ingenieros Petroleros de México, A. C. XXVIII Jornadas Técnicas 2013 Clasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales Javier
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesRedes 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
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
Más detallesSesión 14: Redes de Decisión
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 14: Redes de Decisión un agente racional ideal es aquel que, para cada posible secuencia de percepciones, realiza la acción que maximiza su
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesProbabilidad y muestreo
Walpole, Myers, Myers, Ye Facultad de Estudios Superiores Acatlán Licenciatura en Economía 07 de febrero 2017 José A. Huitrón Mendoza Espacio muestral En el estudio de la estadística tratamos básicamente
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesSound 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,
Más detallesAutor: 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
Más detallesIncorporación de ERNC Uruguay Ing. Pablo Soubes
Incorporación de ERNC Uruguay 2010-2016 Ing. Pablo Soubes psoubes@adme.com.uy CONTENIDO Características del Sistema Uruguayo. Modelado de ERNC. Pronósticos en la Operación del Sistema. INTRODUCCIÓN Uruguay
Más detallesCARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO. Prof. Msc. José Garcia
CARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO INTRODUCCIÓN En esta parte se trata la caracterización energética del viento y sobre la evaluación del potencial eólico que presenta un determinado
Más detallesGUÍA 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
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detalles1. Escalabilidad de transacciones de un motor de búsqueda Web.
Enfoque Token 1. Escalabilidad de transacciones de un motor de búsqueda Web. 2. Simulador de aplicaciones sobre utilización de dispositivos móviles como unidades de procesamiento. Tabla ruteo Red 3G/4G
Más detallesInteligencia Artificial
Mayo 21 de 2008 El estudiante de la Pontificia Universidad Javeriana, como agente de su propia formación, es corresponsable de la Identidad Institucional, uno de cuyos cimientos es tener como hábito un
Más detallesReconocimiento visual de ademanes usando MS Kinect - Introducción. Dr. Héctor Avilés Escuela de Invierno de Robótica 2015
Reconocimiento visual de ademanes usando MS Kinect - Introducción Dr. Héctor Avilés Escuela de Invierno de Robótica 2015 Contenido Motivación Dispositivos de captura Reconocimiento visual de ademanes Resumen
Más detallesModelado y gestión de la integración de generación distribuida de energías renovables en un edificio de oficinas
Modelado y gestión de la integración de generación distribuida de energías renovables en un edificio de oficinas I. Benítez, L. Moreno, I. Díaz y A. oria Instituto Tecnológico de la Energía. Parque Tecnológico
Más detallesTEMA 1. Introducción
TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático
Más detallesCRITERIOS 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,
Más detallesESTIMACIÓN DE LOS FLUJOS DE REMESAS
ESTIMACIÓN DE LOS FLUJOS DE REMESAS ASOCIADOS A CORREDORES MIGRATORIOS EN CONDICIONES DE INCERTIDUMBRE: EL CASO DE ECUADOR Doctorando P. Campoy Muñoz Directores Dr. C.R. García & Dra. M. Salazar & Dr.
Más detallesANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Más detallesClasificación Jerárquica Ascendente Presentación #1. [ U n a i n t r o d u c c i ó n ]
Clasificación Jerárquica Ascendente Presentación #1 [ U n a i n t r o d u c c i ó n ] Clasificación Jerárquica Clasificación Automática La clasificación automática tiene por objetivo reconocer grupos de
Más detallesAnálisis y Caracterización de la Capa Superficial Atmosférica
UNIVERSITAT DE BARCELONA Departament d Astronomia i Meteorologia Análisis y Caracterización de la Capa Superficial Atmosférica Memoria presentada por Pablo Buenestado Caballero para optar al grado de Doctor
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesRazonamiento probabilístico y Redes Bayesianas
Inteligencia Computacional Razonamiento probabilístico y Redes Bayesianas Probabilidad y Teorema de Bayes Blanca A. Vargas Govea - vargasgovea@itesm.mx - Oct 9, 2012 Avisos: Exámenes Fecha de examen parcial
Más detallesEnergía eólica. Conceptos y actualidad. Fecha:
Energía eólica Conceptos y actualidad. Expositor: Juan Antezana Fecha: 14.4.2004 El viento: una fuente de energía. El viento es el movimiento de una masa de aire. Como la mayoría de los recursos energéticos
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesClasificación Jerárquica Ascendente Presentación #1. [ U n a i n t r o d u c c i ó n ]
Clasificación Jerárquica Ascendente Presentación #1 [ U n a i n t r o d u c c i ó n ] Clasificación Jerárquica Clasificación Automática La clasificación automática tiene por objetivo reconocer grupos de
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesREDES BAYESIANAS. O Redes de creencias
REDES BAYESIANAS O Redes de creencias Probabilidades conjuntas J: juega bolos. B: barre la casa todos los días. H: se dislocó el hombro. Introducción a RB Que son: Un grafo dirigido a cíclico (DAG) en
Más detallese-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys
e-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys L.M. Sarro 1,2 1 Departmento de Inteligencia Artificial, UNED, España 2 Spanish Virtual Observatory
Más detallesIntegración de la energía eólica en la operación y planeamiento de sistemas de potencia. Ramy Azar, Ph.D, Ing.
Integración de la energía eólica en la operación y planeamiento de sistemas de potencia Ramy Azar, Ph.D, Ing. 7 y 8 marzo, 2013 Integración de la energía eólica en la operación y planeamiento de sistemas
Más detallesESTUDIO DE POTENCIAL EÓLICO
ESTUDIO DE PE VIENTO DE LEMOS SERRA DAS PENAS PROMUEVE: VIENTO DE LEMOS (ESCAIRÓN, LUGO) Página 1 ÍNDICE 1. DESCRIPCIÓN DE LOS DATOS UTILIZADOS PARA LA ESTIMACIÓN DE LA PRODUCCIÓN 2. METODOLOGÍA DE CÁLCULO
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesFinanzas 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
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesDIAGNOSIS DE FALLOS EN AEROGENERADORES MEDIANTE GRÁFICOS DE CONTROL NO PARAMÉTRICOS
DIAGNOSIS DE FALLOS EN AEROGENERADORES MEDIANTE GRÁFICOS DE CONTROL NO PARAMÉTRICOS Ana Sánchez, J. Jabaloyes, I. Marton, S. Martorell Grupo de Medioambiente y Seguridad Industrial (MEDASEGI) Departamento
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesENERGÍA DEL VIENTO. A Área de barrido del rotor v velocidad del viento. Mapa Eólico-Eléctrico de Buenos Aires. Depende de: ρ densidad del aire
A v Depende de: ENERGÍA DEL VIENTO P D = ρ densidad del aire A Área de barrido del rotor v velocidad del viento 1 2 ρ 2 v v A = 1 2 ρ Av 3 Características viento como combustible: Variabilidad espacio-temporal,
Más detallesPREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Más detallesXXII Simposio de Energia Solar Arequipa Jueves 19 Nov 2015
ESTUDIO DEL COMPORTAMIENTO DEL RECURSO EOLICO PARA CARACTERIZAR LA GENERACION DE ENERGIA CON GENERADORES EOLICOS DE EJE HORIZONTAL EN LA REGION PIURA Ing. Cesar Humberto Estrada Crisanto / Universidad
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesRedes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile
Redes Bayesianas (1) Carlos Hurtado L. Depto. de Ciencias de la Computación, Universidad de Chile Referencia Bayesian networks without tears: making Bayesian networks more accessible to the probabilistically
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesExperto en Data Mining
titulación de formación continua bonificada expedida por el instituto europeo de estudios empresariales Experto en Data Mining duración total: precio: 0 * modalidad: Online * hasta 100 % bonificable para
Más detallesCapítulo 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
Más detalles