Subir material

Suba sus trabajos a SEDICI, para mejorar notoriamente su visibilidad e impacto

 

Mostrar el registro sencillo del ítem

dc.date.accessioned 2020-08-18T13:14:27Z
dc.date.available 2020-08-18T13:14:27Z
dc.date.issued 2011
dc.identifier.uri http://sedici.unlp.edu.ar/handle/10915/102488
dc.description.abstract Estimar la radiación solar que incide en la superficie terrestre es de gran importancia, por ser ésta la principal fuente de energía renovable en la naturaleza y por ser su medición complicada y costosa. Para estimarla se han desarrollado numerosos modelos; entre éstos las redes neuronales presentan una alternativa superadora de los enfoques convencionales. El objetivo del trabajo fue desarrollar redes neuronales capaces de estimar radiación solar horaria utilizando variables meteorológicas de sencilla adquisición. Se construyeron seis modelos cuyos datos de entrada fueron: temperatura, humedad relativa, velocidad del viento y lluvia, obtenidos con una estación meteorológica automática en la provincia de Córdoba. Los resultados mostraron un buen desempeño de los modelos realizados en la estimación de la radiación solar horaria, con coeficientes de determinación entre 0,80 y 0,86, y valores de RMSE% entre 25% y 48%. Se puede concluir que las redes neuronales permiten realizar aceptables estimaciones de la radiación solar. es
dc.description.abstract Estimating incident Earth's surface solar radiation is very important, since it is the main source of renewable energy in nature and because its measurement is difficult and costly. Numerous estimation models have been developed, including neural networks that present an alternative that overcomes conventional approaches. The aim of this work was to develop neural networks capable to estimate hourly solar radiation using hourly meteorological variables of easy measure. For this, six neural network models were built whose input data were: temperature, relative humidity, wind speed and rainfall, obtained using an automatic weather station in the province of Cordoba. The results showed a good networks´ performance in the estimation of radiation, with determination coefficients between 0.80 and 0.86, and RMSE% values between 25% and 48% for a particular model. It can be concluded that neural networks allow good estimates of hourly solar radiation. en
dc.format.extent 51-57 es
dc.language es es
dc.subject redes neuronales es
dc.subject Energía solar es
dc.subject Energía Renovable es
dc.title Radiación solar horaria: modelos de estimación a partir de variables meteorológicas básicas es
dc.type Articulo es
sedici.identifier.issn 0329-5184 es
sedici.creator.person Sayago, Silvina es
sedici.creator.person Bocco, Mónica es
sedici.creator.person Ovando, Gustavo es
sedici.creator.person Willington, Enrique A. es
sedici.subject.materias Ciencias Agrarias es
sedici.description.fulltext true es
mods.originInfo.place Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES) es
sedici.subtype Articulo es
sedici.rights.license Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
sedici.rights.uri http://creativecommons.org/licenses/by-nc-nd/4.0/
sedici.description.peerReview peer-review es
sedici.relation.journalTitle Avances en Energías Renovables y Medio Ambiente es
sedici.relation.journalVolumeAndIssue vol. 15 es


Descargar archivos

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

Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) Excepto donde se diga explícitamente, este item se publica bajo la siguiente licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)