Este estudio se enfoca en el desarrollo de un marco de análisis de datos para visualizar los datos colectados a partir del sistema SCADA y la predicción basada en la memoria a largo y corto plazo (LSTM) apoyado en redes neuronales recurrentes. El análisis de datos es presentado en coordenadas cartesianas, polares y cilíndricas para comprender la relación entre generación eólica y energía. Adicionalmente, las predicciones factores como velocidad del viento, dirección, potencia activa generada y potencia teórica son comparadas con métodos de última generación. El modelo resulta ser aplicable en escenarios reales como método de apoyo en la gestión de energía generada a través de turbinas eólicas.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Programación sostenible de un intercambiador automático de palets por medio de un algoritmo evolutivo multiobjetivo con inspección de primera pieza
Artículo:
Un método adaptativo no monótono de región de confianza basado en un modelo cónico para la optimización sin restricciones
Video:
Presentación de DevCon 2020, con Qt: STM32 - Acelerando el HMI de las cosas con Qt y TouchGFX
Artículo:
Características de combustión de los propulsores compuestos a base de nitrato de amonio con un aglutinante de mezcla de polibutadieno/politetrahidrofurano con terminación de hidroxilo
Artículo:
Controladores basados en observadores para robots invertidos de dos ruedas con perturbaciones de entrada desconocidas e incertidumbre de modelo
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Artículo:
Generadores para ideales asociados a diferencia de tablas de Ferrers y cómputo de los generadores para ideales de Ferrers