[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-124127-es":3,"doc-seo-124127-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},124127,5909887256941,"Levi","https://ap-avatar.wpscdn.com/davatar_9964176cb1d06d4a9deccf72a44ae3dc",41,"Investigación e Informes","Predicción de la producción energética en parques eólicos - haciendo uso de Machine Learning","La variabilidad e intermitencia del viento dificulta mantener el equilibrio entre generación y demanda en el sistema eléctrico, especialmente cuando la energía eólica constituye una fuente renovable clave. El trabajo desarrolla pronósticos de potencia en el parque eólico de Corralnuevo (Valladolid, España) mediante técnicas de Machine Learning, empleando datos meteorológicos de reanálisis. Se plantean distintos enfoques de predicción y ensayos para mejorar el rendimiento del modelo y maximizar la precisión. Incluye fases de preparación de datos, selección y entrenamiento de modelos, evaluación y análisis de resultados.","Universidad de Alcalá Escuela Politécnica Superior  \nGrado en Ingeniería en Tecnologías Industriales  \nTrabajo Fin de Grado  \nPredicción de la producción energética en parques eólicos  \nhaciendo uso de Machine Learning  \nAutor: Carlos Fernández Sánchez  \nTutor: Jorge Pérez Aracil  \nCotutor: César Peláez Rodríguez  \nUNIVERSIDAD DE ALCALÁ  \nESCUELA POLITÉCNICA SUPERIOR  \nGrado en Ingeniería en Tecnologías Industriales  \nTrabajo Fin de Grado  \nPredicción de la producción energética en parques eólicos haciendo uso de Machine Learning  \nAutor: Carlos Fernández Sánchez  \nTutor: Jorge Pérez Aracil Cotutor: César Peláez Rodríguez  \nTribunal:  \nPresidente: Enrique Alexandre Cortizo  \nVocal 1º : Philip Siegmann  \nVocal 2º : Jorge Pérez Aracil  \nFecha de depósito: 18 de septiembre de 2024  \nResumen  \nLa variabilidad y naturaleza intermitente del viento suponen un obstáculo para que el sistema eléctrico logre mantener el equilibrio entre generación y demanda, puesto que la energía eólica es una fuente renovable clave en España. Por ello, mediante técnicas de Machine Learning se realizará una serie de pronósticos que permitan llevar a cabo predicciones sobre la potencia generada a partir de energía eólicaen el Parque eólico de Corralnuevo (Valladolid, España), sirviéndose de datos meteorológicos de reanálisis. Además, se ejecutarán distintas pruebas con distintos enfoques en la predicción con el objetivo de optimizar el rendimiento y alcanzar la mayor precisión posible.  \nPalabras clave: Machine Learning, Predicción, Selección de características, Producción eólica, Variables de entrada.  \nAbstract  \nThe variability and intermittent nature of wind poses a challenge for the electrical system to maintain the balance between generation and demand, since wind energy is a key renewable source in Spain. Therefore, using Machine Learning technologies, a series of forecasts will be carried out to predict the power that will be generated from wind energy at the Corralnuevo Wind Farm (Valladolid, Spain), utilizing reanalysis meteorological data. Additionally, various tests with different prediction approaches will be conducted to optimize performance and achieve the best possible prediction.  \nKeywords: Machine Learning, Prediction, Feature selection, Wind Power production, Input variables.  \nÍndice general  \nResumen v  \nAbstract vii  \nÍndice general ix  \nÍndice de figuras xi  \nÍndice de tablas xv  \nLista de símbolos xv  \n1 Introducción 1  \nIntroducción 1  \n1.1 Antecedentes y enfoque del trabajo ............................... 1  \n1.2 Objetivos ............................................. 2  \n1.3 Estructura de la memoria del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3  \n2 Marco teórico 5  \n2.1 Estado del arte de la predicción de la energía eólica ...................... 5  \n2.2 Inteligencia artificial y Machine learning ............................ 6  \n2.2. 1 Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6  \n2.2.2 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6  \n2.2.3 Aplicaciones   8  \n2.2.4 Tipos de aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9  \n2.2.5 LightGBM ........................................ 10  \n3 Metodología 13  \n3.1 Metodología general ....................................... 13  \n3.1.1 Definición del objetivo .................................. 13  \n3.1.2 Recolección y tratamiento de datos ........................... 13  \n3.1.3 Elección y entrenamiento del modelo .......................... 13  \n3.1.4 Pronóstico, evaluación y análisis de resultados ..................... 14  \n3.2 Metodologías, ensayos y modelos desarrollados ........................ 14  \n3.2.1 Modelo con todas las variables de los nodos locales del parque . . . . . . . . . . . 15  \n3.2.2 Modelos con todas las variables de nodos aleatorios y de nodos aleatorios con locales 15  \n3.2.3 Modelo predictivo de cada variable","cbCaiemmQdwtn9Ud","https://ap.wps.com/l/cbCaiemmQdwtn9Ud","pdf",12886163,4,1,92,"Spanish","es",110,"# Introducción\n## Antecedentes y enfoque del trabajo\n## Objetivos\n## Estructura de la memoria del proyecto\n# Marco teórico\n## Estado del arte de la predicción de la energía eólica\n## Inteligencia artificial y Machine learning\n## LightGBM\n# Metodología\n## Metodología general\n## Metodologías, ensayos y modelos desarrollados\n# Datos\n## Introducción\n## Parque eólico de Corralnuevo\n## Variables\n## Análisis y tratamiento de los datos\n# Resultados\n## Métricas de error\n## Resultados experimentales","[{\"question\":\"Por qué la predicción de la energía eólica resulta un reto para el sistema eléctrico?\",\"answer\":\"La variabilidad e intermitencia del viento dificultan mantener el equilibrio entre generación y demanda. Por ello se necesitan pronósticos fiables de la potencia generada.\"},{\"question\":\"Qué datos se utilizan para entrenar y generar los pronósticos?\",\"answer\":\"Se emplean datos meteorológicos de reanálisis. Con ellos se construyen las variables de entrada para los modelos de Machine Learning.\"},{\"question\":\"Qué se busca al realizar distintos enfoques y ensayos de predicción?\",\"answer\":\"Optimizar el rendimiento y alcanzar la mayor precisión posible. Los experimentos comparan modelos y configuraciones para determinar cuál predice mejor.\"}]","Predicción de la producción energética en parques eólicos - haciendo uso de Machine Learning | PDF",1785820607,142,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"prediction-of-energy-production-in-wind-farms-using-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":53,"name":13,"@type":44,"position":20},"https://docshare.wps.com/es/document/prediction-of-energy-production-in-wind-farms-using-machine-learning/124127/",{"url":53,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Por qué la predicción de la energía eólica resulta un reto para el sistema eléctrico?","Question",{"text":76,"@type":77},"La variabilidad e intermitencia del viento dificultan mantener el equilibrio entre generación y demanda. Por ello se necesitan pronósticos fiables de la potencia generada.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué datos se utilizan para entrenar y generar los pronósticos?",{"text":81,"@type":77},"Se emplean datos meteorológicos de reanálisis. Con ellos se construyen las variables de entrada para los modelos de Machine Learning.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué se busca al realizar distintos enfoques y ensayos de predicción?",{"text":85,"@type":77},"Optimizar el rendimiento y alcanzar la mayor precisión posible. Los experimentos comparan modelos y configuraciones para determinar cuál predice mejor.","https://schema.org",{"og:url":53,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]