On predicting wind power series by using BEA modified neural networks-based approach

Autores
Rodriguez Rivero, Cristian; Pucheta, Julian; Túpac, Yván; Laboret, Sergio; Gorrostieta, Efren; Otaño, Paula
Año de publicación
2017
Idioma
inglés
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.
Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.
In this paper, wind power series prediction using BEA modified (BEAmod.) neural networks-based approach is presented. Wind power forecasting is a complex, multidimensional, and highly non-linear system. Neural network is able to learn the relationship between system inputs and outputs without mathematical conversion, and perform complex nonlinear mapping, data classification, prediction, and is also suitable for wind power forecasting. The purpose of this paper is to use neural network to design a wind power forecasting system. The focus, with particularly interest in short-term prediction, is by using the data model selected, in which the Bayesian enhanced modified approach (BEAmod.) is used to extract information to make prediction. The efficiency analysis of the proposed forecasting method is examined through the underlying dynamical system, in which the nonlinear and temporal dependencies span long time intervals (long memory process). The conducted results show that this method can be used to improve the predictability of short-term wind time series with a suitable number of hidden units compared to that of reported in the literature.
Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.
Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.
Sistemas de Automatización y Control
Materia
Time series forecasting
Ingeniería Electrónica
BEAmod
Ingeniería en Computación
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/555243
Acceder
id RDUUNC_66075adafa346914309dda808e97857d
oai_identifier_str oai:rdu.unc.edu.ar:11086/555243
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling On predicting wind power series by using BEA modified neural networks-based approachRodriguez Rivero, CristianPucheta, JulianTúpac, YvánLaboret, SergioGorrostieta, EfrenOtaño, PaulaTime series forecastingIngeniería ElectrónicaBEAmodIngeniería en ComputaciónFil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.In this paper, wind power series prediction using BEA modified (BEAmod.) neural networks-based approach is presented. Wind power forecasting is a complex, multidimensional, and highly non-linear system. Neural network is able to learn the relationship between system inputs and outputs without mathematical conversion, and perform complex nonlinear mapping, data classification, prediction, and is also suitable for wind power forecasting. The purpose of this paper is to use neural network to design a wind power forecasting system. The focus, with particularly interest in short-term prediction, is by using the data model selected, in which the Bayesian enhanced modified approach (BEAmod.) is used to extract information to make prediction. The efficiency analysis of the proposed forecasting method is examined through the underlying dynamical system, in which the nonlinear and temporal dependencies span long time intervals (long memory process). The conducted results show that this method can be used to improve the predictability of short-term wind time series with a suitable number of hidden units compared to that of reported in the literature.Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.Sistemas de Automatización y Control2017info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf978-987-544-754-7http://hdl.handle.net/11086/555243enginfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-10-16T09:27:59Zoai:rdu.unc.edu.ar:11086/555243Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-10-16 09:27:59.651Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv On predicting wind power series by using BEA modified neural networks-based approach
title On predicting wind power series by using BEA modified neural networks-based approach
spellingShingle On predicting wind power series by using BEA modified neural networks-based approach
Rodriguez Rivero, Cristian
Time series forecasting
Ingeniería Electrónica
BEAmod
Ingeniería en Computación
title_short On predicting wind power series by using BEA modified neural networks-based approach
title_full On predicting wind power series by using BEA modified neural networks-based approach
title_fullStr On predicting wind power series by using BEA modified neural networks-based approach
title_full_unstemmed On predicting wind power series by using BEA modified neural networks-based approach
title_sort On predicting wind power series by using BEA modified neural networks-based approach
dc.creator.none.fl_str_mv Rodriguez Rivero, Cristian
Pucheta, Julian
Túpac, Yván
Laboret, Sergio
Gorrostieta, Efren
Otaño, Paula
author Rodriguez Rivero, Cristian
author_facet Rodriguez Rivero, Cristian
Pucheta, Julian
Túpac, Yván
Laboret, Sergio
Gorrostieta, Efren
Otaño, Paula
author_role author
author2 Pucheta, Julian
Túpac, Yván
Laboret, Sergio
Gorrostieta, Efren
Otaño, Paula
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Time series forecasting
Ingeniería Electrónica
BEAmod
Ingeniería en Computación
topic Time series forecasting
Ingeniería Electrónica
BEAmod
Ingeniería en Computación
dc.description.none.fl_txt_mv Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.
Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.
In this paper, wind power series prediction using BEA modified (BEAmod.) neural networks-based approach is presented. Wind power forecasting is a complex, multidimensional, and highly non-linear system. Neural network is able to learn the relationship between system inputs and outputs without mathematical conversion, and perform complex nonlinear mapping, data classification, prediction, and is also suitable for wind power forecasting. The purpose of this paper is to use neural network to design a wind power forecasting system. The focus, with particularly interest in short-term prediction, is by using the data model selected, in which the Bayesian enhanced modified approach (BEAmod.) is used to extract information to make prediction. The efficiency analysis of the proposed forecasting method is examined through the underlying dynamical system, in which the nonlinear and temporal dependencies span long time intervals (long memory process). The conducted results show that this method can be used to improve the predictability of short-term wind time series with a suitable number of hidden units compared to that of reported in the literature.
Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Pucheta, Julian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Túpac, Yván. Universidad Católica San Pablo Arequipa. Escuela de Ciencias de la Computación; Perú.
Fil: Laboret, Sergio. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
Fil: Gorrostieta, Efren. Universidad Autónoma de Querétaro. Laboratorio de Mecatrónica; Argentina.
Fil: Otaño, Paula. Universidad Nacional de Córdoba. Departamento de Ingeniería en Sistema; Argentina.
Sistemas de Automatización y Control
description Fil: Rodriguez Rivero, Cristian. Universidad Nacional de Córdoba. Departamento de ingeniería electrónica; Argentina.
publishDate 2017
dc.date.none.fl_str_mv 2017
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv 978-987-544-754-7
http://hdl.handle.net/11086/555243
identifier_str_mv 978-987-544-754-7
url http://hdl.handle.net/11086/555243
dc.language.none.fl_str_mv eng
language eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1846143318446047232
score 12.712165

Publicaciones similares