Skip to content
/ TAIM Public

Project's repository for course "Tópicos Avanzados en Inteligencia de Máquina" (TAIM).

Notifications You must be signed in to change notification settings

chrisams/TAIM

Repository files navigation

TAIM

Project's repository for course "Tópicos Avanzados en Inteligencia de Máquina" (TAIM).

Resumen

Debido a la naturaleza variable e incierta del viento, la integración a gran escala de generación eólica plantea desafíos significativos para la operación de los sistemas de potencia modernos. Uno de los principales desafíos operacionales es el conocido problema de Pre-despacho bajo incertidumbre, el cual consiste en determinar que generadores encender y apagar en las horas siguientes considerando una serie de posibles pronósticos de generación renovable. Si bien una serie de modelos han sido diseñados para resolver el problema de Pre-despacho, el desempeño de estos depende fuertemente de la calidad de los pronósticos, haciendo necesario la elaboración de pronósticos de la mayor información y calidad posible. Motivado por esto, el presente trabajo apunta a desarrollar un modelo de pronóstico que: i) capture las dependencias espacio-temporales y estacionalidades propias del viento, ii) genere pronósticos puntuales y de intervalo para cuantificar el riesgo en la predicción, iii) incorpore en la construcción de pronósticos la incertidumbre asociada a la estimación de parámetros del mismo modelo. Los pronósticos generados se basan en un modelo Periódico Vectorial Autoregressivo bajo un enfoque Bayesiano, en el cual la incertidumbre de los parámetros es capturada a través de su función de \textit{likelihood}, y las integrales necesarias a estimar para los pronósticos son obtenidas mediante técnicas de Monte Carlo de dos etapas o \textit{two-stage Monte Carlo}.

About

Project's repository for course "Tópicos Avanzados en Inteligencia de Máquina" (TAIM).

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published