Estimating missing data in historic series of global radiation through neural network algorithms

Authors

  • Franklin García Acevedo Universidad Francisco de Paula Santander, Cúcuta
  • Juan Rojas Serrano Universidad Francisco de Paula Santander, Cúcuta
  • Alejandro Vásquez Vega Universidad Francisco de Paula Santander, Cúcuta
  • Diego Parra Peñaranda Universidad Francisco de Paula Santander, Cúcuta
  • Erney Castro Becerra Universidad Francisco de Paula Santander, Cúcuta

DOI:

https://doi.org/10.18046/syt.v14i37.2239

Keywords:

Neural network, weights, bias, editing, imputation.

Abstract

In data processing time series of meteorological data problems, you are incomplete in some time intervals; it addresses the issue commonly using the autoregressive integrated moving average (ARIMA) or the method by regression analysis (interpolation), both with certain limitations under particular conditions. This paper presents the results of an investigation aimed at solving the problem using neural networks reported. The analysis of a time series of global radiation obtained at the Francisco de Paula Santander University (UFPS) is presented, with basis in the recorded data by the weather station attached to the Department of Fluids and Thermals. Having a series of ten-year study for 125,658 records of temperature, radiation and energy with a percentage of 9.98 missing data, which were duly cleared and completed by a neural network using algorithms backpropagation in the mathematical software MATLAB

Author Biographies

  • Franklin García Acevedo, Universidad Francisco de Paula Santander, Cúcuta
    Student (Universidad Francisco de Paula Santander, Cúcuta-Colombia) and researcher at Grupo de Investigación en Procesos Industriales GIDPI
  • Juan Rojas Serrano, Universidad Francisco de Paula Santander, Cúcuta
    Electromechanical Engineer from Universidad Francisco de Paula Santander (Cúcuta, Colombia) and researcher at Fluidos y Térmicas research group, with experience in energy conversion systems
  • Alejandro Vásquez Vega, Universidad Francisco de Paula Santander, Cúcuta
    Electromechanical Engineer from Universidad Francisco de Paula Santander (Cúcuta, Colombia) and researcher at Fluidos y Térmicas research group, with experience in renewable energies
  • Diego Parra Peñaranda, Universidad Francisco de Paula Santander, Cúcuta
    Student (Universidad Francisco de Paula Santander, Cúcuta-Colombia) and researcher at Grupo de Investigación en Procesos Industriales GIDPI
  • Erney Castro Becerra, Universidad Francisco de Paula Santander, Cúcuta
    Student (Universidad Francisco de Paula Santander, Cúcuta-Colombia) and researcher at Grupo de Investigación en Procesos Industriales GIDPI

     

References

Basheer, L., & Hajmeer, M., (2000). Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods, 43(1), 3-31.

Colmenares, G. (n.d.). Análisis multivariante inteligencia artificial y sus aplicaciones [material del curso - Postgrado en Economía]. Mérida, Venezuela: Universidad de los Andes. Retrieved from: http://www.webdelprofesor.ula.ve/economia/gcolmen/postgrado2.html

Hamzaoui A., Hernández J., Martinez, S., Bassam, A., Álvarez, A., & Lizama, C. (2011). Optimal performance of COD removal during aqueous treatment of alazine and gesaprim commercial herbicides by direct and inverse neural network. Desalination, 277(1), 325-337.

Hernández, J., Bassam, A., Siqueiros, j., & Juarez, D., (2009). Optimum operating conditions for a water purification process integrated to a heat transformer with energy recycling using neural network inverse. Renewable Energy, 34(4), 1084-1091.

Infante, S., Ortega J., & Cedeño, F. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales. Revista de climatología. 8, 51-70.

Jamett, M. (2004). Feedforward convergence and stability analysis from a set perspective: State estimation approach [doctoral thesis]. Universidad de Santiago de Chile.

Leal, F. & Hernández, M. (2013). Estudio del potencial eólico y solar de Cúcuta, Norte de Santander. Revista Colombiana de Tecnologías de Avanzada, 2(22), 27-33.

Medina, R. (2008). Estimación estadística de valores faltantes en series históricas de lluvia [thesis]. Pereira, Colombia: Universidad Tecnológica de Pereira.

Ponce, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería [1ª ed.]. México DF: alfaomega.

Ramírez, F. (2010). Sistema para la predicción de posición y seguimiento de un conjunto de náufragos basado en redes neuronales [tesis de maestría]. Universidad Complutense de Madrid: España.

San Juan, E., Jamett, M., Kaschel, H., & Sánchez, L. (2015). Sistema de reconocimiento de voz mediante wavelets, predicción lineal y redes backpropagation. Ingeniare. Revista chilena de ingeniería, 24(1), 8-17.

Serlin, J. (2010). Conocimiento de la gestión de las organizaciones: sistemas complejos dinámicos inestables adaptativos [doctoral thesis]. Argentina: Universidad de Buenos Aires.

Sumathi, S., Ashok, L., & Surekha, P., (2015). Solar PV and wind energy conversion systems: an introduction to theory, modeling with matlab/simulink, and the role of sofy computing techniques [1a ed.]. Cham, Switzerland: Springer. doi:10.1007/978-3-319-14941-7.
Unidad de Planeación Minero Energética [UPME], Instituto de Hidrología,

Meteorología y Estudios Ambientales [IDEAM]. (2005). Atlas de radiación solar en Colombia. Bogotá, Colombia: UPME/IDEAM.

Vásquez, A., Rojas, J., & Duarte, E. (2015). Evaluación y caracterización del recurso eólico en la Universidad Francisco de Paula Santander Cúcuta y prospectiva para el aprovechamiento energético en el Norte de Santander. El Hombre y la Máquina, 46, 144-152.

Downloads

Published

2016-08-05

Issue

Section

Original Research