@conference{Dorado2018CAEPIA,
author = "Manuel Dorado-Moreno and Pedro Antonio Guti{\'e}rrez and Sancho Salcedo-Sanz and Luis Prieto and C{\'e}sar Herv{\'a}s-Mart{\'i}nez",
abstract = "Las Renovables son la fuente de energı́a que m{\'a}s ha crecido en los {\'u}ltimos a{\~n}os a nivel mundial. En particular, la energı́a e{\'o}lica en Europa es actualmente la que tiene un mayor crecimiento, estando su capacidad de producci{\'o}n en la segunda posici{\'o}n, por detr{\'a}s del gas natural. Existen una serie de problemas que complican la integraci{\'o}n del recurso e{\'o}lico en la red el{\'e}ctrica. Uno de ellos es conocido como rampas de viento, que son incrementos o decrementos de gran magnitud en la velocidad del viento en un tiempo reducido. Estas rampas de viento pueden da{\~n}ar las turbinas en los parques e{\'o}licos, ası́ como reducir los ingresos generados a partir de la producci{\'o}n del parque. Actualmente, la mejor forma de afrontar este problema es predecir estas rampas de viento, de forma que se puedan parar las turbinas con suficiente antelaci{\'o}n, evitando ası́ los da{\~n}os que puedan producirse. Para realizar esta predicci{\'o}n, se suelen utilizar modelos que puedan aprovechar la informaci{\'o}n temporal. Uno de los modelos m{\'a}s conocidos con estas caracterı́sticas son las redes neuronales recurrentes. En este trabajo utilizaremos las conocidas como Echo State Networks (ESNs), las cuales han demostrado obtener un buen rendimiento en predicci{\'o}n de series temporales. En concreto, proponemos utilizar ESNs de complejidad reducida para afrontar un problema de predicci{\'o}n de rampas de viento en tres parques e{\'o}licos en Espa{\~n}a. A nivel metodol{\'o}gico, se comparan tres arquitecturas diferentes de red, dependiendo de la configuraci{\'o}n de las conexiones de la capa de entrada con el reservoir o directamente con la capa de salida. Los resultados muestran que, por lo general, los mejores resultados son obtenidos por la estructura Delay Line Reservoir with Feedback (DLRB) y que el aumento en el rendimiento obtenido por la arquitectura de Doble reservoir con respecto a la arquitectura de Simple reservoir es mı́nima, y teniendo en cuenta el gran aumento de complejidad computacional de la arquitectura Doble, concluimos que los mejores resultados son obtenidos por la combinaci{\'o}n de la estructura DLRB con la arquitectura Simple.",
booktitle = "Proceedings of the 2018 Conference of the Spanish Association for Artificial Intelligence (CAEPIA2018)",
isbn = "978-84-09-05643-9",
keywords = "Echo state networks, energ{\'i}a e{\'o}lica, Clasificaci{\'o}n ordinal, Rampas de viento, Redes neuronales recurrentes",
month = "23rd-26th October",
organization = "Granada (Spain)",
pages = "132-138",
title = "{P}redicci{\'o}n ordinal de rampas de viento usando {E}cho {S}tate {N}etworks de complejidad reducida",
url = "sci2s.ugr.es/caepia18/proceedings/docs/CAEPIA2018_paper_88.pdf",
year = "2018",
}